INPE-16228-TDI/1547
MAPEAMENTO DO RISCO DA ESQUISTOSSOMOSE
NO ESTADO DE MINAS GERAIS, USANDO DADOS
AMBIENTAIS E SOCIAIS
Flávia de Toledo Martins
Dissertação de Mestrado do Curso de Pós-Graduação em Computação Aplicada,
orientada pelos Drs. Luciano Vieira Dutra e Corina da Costa Freitas, aprovada em
26 de fevereiro de 2008.
Registro do documento original:
<http://urlib.net/sid.inpe.br/mtc-m17@80/2008/02.07.13.17>
INPE
São José dos Campos
2009
PUBLICADO POR:
Instituto Nacional de Pesquisas Espaciais - INPE
Gabinete do Diretor (GB)
Serviço de Informação e Documentação (SID)
Caixa Postal 515 - CEP 12.245-970
São José dos Campos - SP - Brasil
Tel.:(012) 3945-6911/6923
Fax: (012) 3945-6919
E-mail: [email protected]
CONSELHO DE EDITORAÇÃO:
Presidente:
Dr. Gerald Jean Francis Banon - Coordenação Observação da Terra (OBT)
Membros:
Dra Maria do Carmo de Andrade Nono - Conselho de Pós-Graduação
Dr. Haroldo Fraga de Campos Velho - Centro de Tecnologias Especiais (CTE)
Dra Inez Staciarini Batista - Coordenação Ciências Espaciais e Atmosféricas (CEA)
Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)
Dr. Ralf Gielow - Centro de Previsão de Tempo e Estudos Climáticos (CPT)
Dr. Wilson Yamaguti - Coordenação Engenharia e Tecnologia Espacial (ETE)
BIBLIOTECA DIGITAL:
Dr. Gerald Jean Francis Banon - Coordenação de Observação da Terra (OBT)
Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)
Jefferson Andrade Ancelmo - Serviço de Informação e Documentação (SID)
Simone A. Del-Ducca Barbedo - Serviço de Informação e Documentação (SID)
REVISÃO E NORMALIZAÇÃO DOCUMENTÁRIA:
Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID)
Marilúcia Santos Melo Cid - Serviço de Informação e Documentação (SID)
Yolanda Ribeiro da Silva Souza - Serviço de Informação e Documentação (SID)
EDITORAÇÃO ELETRÔNICA:
Viveca Sant´Ana Lemos - Serviço de Informação e Documentação (SID)
INPE-16228-TDI/1547
MAPEAMENTO DO RISCO DA ESQUISTOSSOMOSE
NO ESTADO DE MINAS GERAIS, USANDO DADOS
AMBIENTAIS E SOCIAIS
Flávia de Toledo Martins
Dissertação de Mestrado do Curso de Pós-Graduação em Computação Aplicada,
orientada pelos Drs. Luciano Vieira Dutra e Corina da Costa Freitas, aprovada em
26 de fevereiro de 2008.
Registro do documento original:
<http://urlib.net/sid.inpe.br/mtc-m17@80/2008/02.07.13.17>
INPE
São José dos Campos
2009
Dados Internacionais de Catalogação na Publicação (CIP)
M366m
Martins, Flávia de Toledo.
Mapeamento do risco da esquistossomose no Estado de Minas Gerais, usando dados ambientais e sociais / Flávia de Toledo
Martins. – São José dos Campos : INPE, 2009.
144p. ; (INPE-16228-TDI/1547)
Dissertação (Mestrado em Computação Aplicada) – Instituto
Nacional de Pesquisas Espaciais, São José dos Campos, 2008.
Orientadores : Drs. Luciano Vieira Dutra e Corina da Costa
Freitas.
1. Modelagem global. 2. Modelagem regional. 3. Regressão múltipla. 4. Classificação imprecisa. 5. Árvore de decisão. 6. Esquistossomose Mansoni. 7. Saúde pública. I.Tı́tulo.
CDU 004.93’ 1:616.993.122(815.1)
c 2009 do MCT/INPE. Nenhuma parte desta publicação pode ser reproduzida, armaCopyright zenada em um sistema de recuperação, ou transmitida sob qualquer forma ou por qualquer meio,
eletrônico, mecânico, fotográfico, reprográfico, de microfilmagem ou outros, sem a permissão escrita da Editora, com exceção de qualquer material fornecido especificamente no propósito de ser
entrado e executado num sistema computacional, para o uso exclusivo do leitor da obra.
c 2009 by MCT/INPE. No part of this publication may be reproduced, stored in a
Copyright retrieval system, or transmitted in any form or by any means, eletronic, mechanical, photocopying,
recording, microfilming or otherwise, without written permission from the Publisher, with the
exception of any material supplied specifically for the purpose of being entered and executed on a
computer system, for exclusive use of the reader of the work.
“Noventa por cento do sucesso se baseiam simplesmente em insistir."
WOODY ALLEN
A meus pais
AGRADECIMENTOS
Agradeço a Deus acima de tudo e a todos que contribuíram, de forma direta ou indireta,
para a realização deste trabalho, em especial:
À Prof. Dra. Corina, pela orientação, apoio e incentivo na realização deste trabalho e
principalmente pela pessoa especial que demonstrou ser. E ao Prof. Dr. Luciano Dutra
pela orientação e apoio na realização deste trabalho.
Ao Instituto Nacional de Pesquisas Espaciais – INPE, pela oportunidade de estudos e
utilização de suas instalações e a CAPES pelo apoio financeiro.
Ao Prof. Dr. Camilo pela amizade e pela atenção dispensada a todas as minhas dúvidas.
Ao Prof. Dr. Miguel, à Prof. Dra. Virginia pelas boas sugestões e a todos os professores
do INPE pelo conhecimento compartilhado.
Ao Omar da Fiocruz, ao Ronaldo do Ministério da Saúde e à Sandra da Secretaria de
Saúde do Estado de Minas Gerais, pelos dados disponibilizados e pelas explicações
sobre a esquistossomose.
À Flávia Feitosa, à Helen Gurgel e à Isabela Drummond, pela boa vontade e disposição
em ajudar.
Ao Prof. Dr. Wolo pela amizade sincera, pelo incentivo e por fazer parte da minha vida!
Aos amigos da Senzala que compartilharam todos os momentos comigo: Annete,
Alessandra, Eliana, Fernanda, Graziela, Marinalva, Orlando, Thiago e Rogério.
Aos companheiros de disciplina: Roberta, Egydio e Helaine pela amizade e força.
Agradeço especialmente ao Eduardo Luz que foi o ombro amigo sempre presente. Se
não fosse você não teria conseguido!!!
Agradeço à Érica, pela amizade e companheirismo e o mais importante, por não desistir
e não me deixar desistir!!!
Ao meu futuro esposo, Fred pelo amor e compreensão em todas as horas.
A meu pai, por sempre acreditar na importância do estudo e por sempre me apoiar e me
incentivar. À minha mãe pelo amor, carinho e principalmente por compreender, mesmo
sem entender, as minhas escolhas. Á minha irmã, que com certeza sempre torceu e torce
por mim e ao meu querido irmão, que ainda torce por mim, mesmo lá do céu!
RESUMO
A esquistossomose mansoni é uma doença endêmica, transmitida por hospedeiros
intermediários do gênero Biomphalaria. A esquistossomose está presente em diversos
países, principalmente os subdesenvolvidos, infectando uma grande quantidade de
pessoas e colocando várias outras em situação de risco. Como a doença é determinada
por fatores ambientais e sociais que variam no espaço e no tempo, o uso de um sistema
de informações geográficas facilita a determinação da distribuição da doença e a
delimitação das possíveis áreas de risco. Nesta dissertação, foram usados os dados de
prevalência da esquistossomose em 197 municípios do Estado de Minas Gerais, para
estimar a prevalência da esquistossomose para os 853 municípios do Estado, juntamente
com variáveis de sensoriamento remoto oriundas dos sensores MODIS e SRTM,
variáveis climáticas, variáveis socioeconômicas e variáveis de caracterização de
vizinhança. Com este objetivo, foram usadas várias técnicas, tais como: análise de
regressão linear, classificação imprecisa, regionalização e reconhecimento de padrões,
para a geração e comparação dos modelos global, regional, global impreciso, regional
impreciso e de árvore de decisão. O modelo global foi desenvolvido usando um modelo
de regressão linear para todo o Estado, alcançando 50,7% de exatidão global. O modelo
regional contém um modelo de regressão linear para cada uma das quatro regiões
propostas nesse trabalho e atingiu 66,90% de exatidão global. O modelo de árvore de
decisão classificou a prevalência da doença em três faixas de risco: baixa, média e alta,
alcançando 71,8% de exatidão global. A classificação imprecisa foi gerada a partir dos
modelos de regressão linear usando intervalos de 55% e 60% de confiança, para o
modelo global e regional, respectivamente. A classificação imprecisa atingiu 86,6% de
exatidão global para o modelo global e 90,8% para o modelo regional. Finalmente a
prevalência da doença foi estimada para os outros 656 municípios do Estado, onde não
existem dados disponíveis, usando os cinco modelos desenvolvidos, sendo dois de
regressão linear (global e regional), dois de classificações imprecisas e um de árvore de
decisão.
MAPPING OF THE RISK OF SCHISTOSOMIASIS IN MINAS GERAIS
STATE, USING ENVIRONMENTAL AND SOCIAL DATA
ABSTRACT
The schistosomiasis mansoni is an endemic disease, transmitted by intermediate hosts
of the genus Biomphalaria. The schistosomiasis is present in several countries,
especially the underdeveloped, infecting a large number of people and putting several
others in risk situation. As the disease is determined by environmental and social factors
that vary in space and time, the use of a geographic information system facilitates the
determination of the distribution of the disease and the delimitation of possible areas of
risk. In this dissertation, were used the prevalence of schistosomiasis data in 197
municipalities in the Minas Gerais State, to estimate the prevalence of schistosomiasis
for the 853 municipalities in the State, along with variables of remote sensing from the
MODIS sensor and SRTM, climate variables, socioeconomic variables and variables of
characterization of neighborhood. With this purpose, were used various techniques,
such as linear regression analysis, imprecise classification, regionalization and pattern
recognition for the generation and comparison of global, regional, imprecise global,
imprecise regional and decision tree models. The global model was developed using one
linear regression model for all state, reaching 50.7% of overall accuracy. The regional
model contains a linear regression model for each one of the four regions proposed in
this work and reached 66.90% of overall accuracy. The model of decision tree classified
the disease prevalence in three ranges of risk: low, medium and high, reaching 71.8% of
overall accuracy. The imprecise classification was generated from the linear regression
models using intervals of 55% and 60% confidence for the global and regional models,
respectively. The imprecise classification reached 86.6% of overall accuracy for the
global model and 90.8% for the regional model. Finally the disease prevalence has been
estimated for the other 656 municipalities in the state, where no data are available, using
the five models developed, two linear regression (global and regional), two of imprecise
classifications, and one decision tree.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS E ABREVIATURAS
LISTA DE SÍMBOLOS
CAPÍTULO 1 ................................................................................................................ 25
INTRODUÇÃO ............................................................................................................ 25
1.1 Contextualização ...................................................................................................... 25
1.2 Justificativa e hipóteses do trabalho ......................................................................... 29
1.3 Objetivo .................................................................................................................... 30
1.3.1 Geral ...................................................................................................................... 30
1.3.2 Específicos............................................................................................................. 30
1.4 Estrutura do trabalho ................................................................................................ 31
CAPÍTULO 2 ................................................................................................................ 33
REVISÃO BIBLIOGRÁFICA .................................................................................... 33
2.1 Estudos para estimar a doença.................................................................................. 33
2.1.1 Estudos para estimar a doença no Brasil ............................................................... 36
CAPÍTULO 3 ................................................................................................................ 41
FUNDAMENTAÇÃO TEÓRICA............................................................................... 41
3.1 Variáveis de caracterização de vizinhança ............................................................... 41
3.2 Regionalização ......................................................................................................... 44
3.3 Regressão linear múltipla ......................................................................................... 45
3.4 Classificação imprecisa ............................................................................................ 48
3.5 Árvore de decisão ..................................................................................................... 49
CAPÍTULO 4 ................................................................................................................ 51
MATERIAIS ................................................................................................................. 51
4.1 Área de estudo .......................................................................................................... 51
4.2 Variáveis utilizadas................................................................................................... 52
4.2.1 Variáveis de Sensoriamento Remoto..................................................................... 53
4.2.2 Variáveis climáticas............................................................................................... 55
4.2.3 Variáveis socioeconômicas.................................................................................... 56
4.2.4 Variáveis de caracterização de vizinhança ............................................................ 59
4.3 Softwares utilizados.................................................................................................. 61
CAPÍTULO 5 ................................................................................................................ 63
METODOLOGIA......................................................................................................... 63
5.1 Variáveis de caracterização de vizinhança ............................................................... 63
5.2 Regionalização ......................................................................................................... 65
5.3 Regressão linear múltipla ......................................................................................... 66
5.4 Classificação Imprecisa ............................................................................................ 68
5.5 Comparação dos modelos global e regional ............................................................. 71
5.6 Árvore de decisão ..................................................................................................... 71
5.7 Comparação dos modelos......................................................................................... 72
CAPÍTULO 6 ................................................................................................................ 73
RESULTADOS E DISCUSSÕES ............................................................................... 73
6.1 Variáveis de caracterização de vizinhança ............................................................... 73
6.2 Regionalização ......................................................................................................... 74
6.3 Análise de Regressão Linear .................................................................................... 76
6.3.1 Modelo Global....................................................................................................... 76
6.3.1.1 Classificação imprecisa para o modelo Global................................................... 81
6.3.2 Modelo Regional ................................................................................................... 84
6.3.2.1 Classificação imprecisa para o modelo Regional ............................................... 90
6.3.3 Comparação Modelo Global e Modelo Regional .................................................. 92
6.4 Árvore de decisão ..................................................................................................... 97
6.5 Comparação das modelagens.................................................................................. 101
CAPÍTULO 7 .............................................................................................................. 105
CONCLUSÕES........................................................................................................... 105
CAPÍTULO 8 .............................................................................................................. 109
CONSIDERAÇÕES FINAIS..................................................................................... 109
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................... 111
APÊNDICE A ............................................................................................................. 117
APÊNDICE B.............................................................................................................. 119
APÊNDICE C ............................................................................................................. 121
LISTA DE FIGURAS
1.1 – a) Forma cutânea b) Esplenomegalia c) Neuroesquistossomose......................... 26
3.1 – Estimador kernel gaussiano. .................................................................................. 42
4.1 – Mapa da divisão política do Estado de Minas Gerais............................................ 51
4.2 – Prevalência da Esquistossomose (1984-2005). ..................................................... 52
5.1 – Diagrama da metodologia empregada. .................................................................. 63
5.2 – Fases de uma análise de regressão......................................................................... 67
6.1 – Regionalização do Estado de Minas Gerais. ......................................................... 75
6.2 – Amostras usadas para a construção e para a validação. ........................................ 77
6.3 – R2 vs.número de variáveis. .................................................................................... 77
6.4 – Mapas temáticos (a) do risco da prevalência da esquistossomose estimada através
do modelo 4, (b) do desvio padrão do modelo, e (c) dos resíduos do modelo. ...... 80
6.5– Gráfico de classificações imprecisas do modelo global para as amostras de
construção (a) e para as amostras de validação (b). ............................................... 82
6.6 – Mapas temáticos do risco da prevalência da esquistossomose com 55% de
confiança: (a) da classificação imprecisa; (b) da classificação mais otimista; e (c)
da classificação menos otimista.............................................................................. 83
6.7 – Distribuição das amostras que possuem informação de prevalência da
esquistossomose em cada região. ........................................................................... 84
6.8- Mapa temático modelo regional: a) Estimativa do risco da prevalência da
esquistossomose no Estado e Minas Gerais; b) Desvio Padrão da estimativa e c)
Resíduos do Modelo. .............................................................................................. 89
6.9 – Gráfico de classificações imprecisas do modelo regional. .................................... 91
6.10 – Mapas temáticos do risco da prevalência da doença com 60% de confiança: (a)
da classificação imprecisa, (b) da classificação mais otimista e (c) da classificação
menos otimista........................................................................................................ 92
6.11 – Representação gráfica da árvore de decisão. ....................................................... 98
6.12 – (a)Risco da prevalência da esquistossomose classificada através da árvore de
decisão; (b) Erros de classificação........................................................................ 101
LISTA DE TABELAS
4.1 – Número de variáveis explicativas.......................................................................... 53
4.2 – Variáveis de Sensoriamento Remoto..................................................................... 55
4.3 – Variáveis Climáticas.............................................................................................. 56
4.4 – Variáveis socioeconômica. .................................................................................... 57
4.4 – Conclusão. ............................................................................................................. 58
4.5 – Variáveis de caracterização da influência de vizinhança. ..................................... 59
4.5 – Conclusão. ............................................................................................................. 60
5.1 – Resultados possíveis da classificação imprecisa. .................................................. 68
5.2 – Classificação imprecisa vs. classificação da prevalência observada..................... 69
6.1 – Correlação prevalência da doença com variáveis de caracterização da influência de
vizinhança............................................................................................................... 74
6.2 – Validação dos modelos.......................................................................................... 79
6.3 – Coeficientes Betas normalizados e valor-p das variáveis, o coeficiente de
correlação e o R2 do modelo global........................................................................ 79
6.4 – Betas e p-valor das Variáveis, o coeficiente de correlação e R2 do modelo regional.
................................................................................................................................ 85
6.5– Matriz de confusão do modelo global (modelo 4).................................................. 93
6.6 – Matriz de confusão do modelo regional. ............................................................... 93
6.7 – Amostras classificadas corretamente Modelo Global e Regional. ........................ 94
6.8 – Desvio Padrão Modelo Global e Regional. ........................................................... 95
6.9 – Resíduos Modelo Global e Regional. .................................................................... 95
6.10 – Matriz de confusão para as amostras de construção da classificação imprecisa do
Modelo Global a 55% de confiança. ...................................................................... 96
6.11 – Matriz de confusão para as amostras de validação da classificação imprecisa do
Modelo Global a 55% de confiança. ...................................................................... 96
6.12 – Matriz de confusão para as amostras de construção da classificação imprecisa do
Modelo Regional a 60% de confiança.................................................................... 96
6.13 – Matriz de confusão para as amostras de validação da imprecisa do Modelo
Regional a 60% de confiança. ................................................................................ 96
6.14 – Matriz de confusão. ........................................................................................... 100
6.15 – Porcentagem de amostras classificadas corretamente em cada modelo. ........... 102
A.1 – Correlação entre as variáveis do modelo global. ................................................ 117
A.2 – Correlação entre as variáveis do modelo para a região 1. .................................. 118
A.3 – Correlação entre as variáveis do modelo para a região 2. .................................. 118
A.4 – Correlação entre as variáveis do modelo para a região 3. .................................. 118
A.5 – Correlação entre as variáveis do modelo para a região 4. .................................. 118
B.1 – Matriz de confusão Região 1 – Conjunto de Treinamento. ................................ 119
B.2 - Matriz de confusão Região 2 – Conjunto de Treinamento.................................. 119
B.3 – Matriz de confusão Região 2 – Conjunto de Teste. ............................................ 119
B.4 – Matriz de confusão Região 3 – Conjunto de Treinamento. ................................ 119
B.5 - Matriz de confusão Região 3 – Conjunto de Teste.............................................. 120
B.6 – Matriz de confusão Região 4 – Conjunto de Treinamento. ................................ 120
B.7 – Matriz de confusão Região 4 – Conjunto de Teste. ............................................ 120
C.1 – Siglas das estimativas mostradas na Tabela C.2................................................. 121
C.2 – Estimativa do risco da prevalência pelo modelo Global, pelo Modelo Regional e
pela Árvore de decisão. ........................................................................................ 121
C.2 – Continuação. ....................................................................................................... 122
C.2 – Continuação. ....................................................................................................... 123
C.2 – Continuação. ....................................................................................................... 124
C.2 – Continuação. ....................................................................................................... 125
C.2 – Continuação. ....................................................................................................... 126
C.2 – Continuação. ....................................................................................................... 127
C.2 – Continuação. ....................................................................................................... 128
C.2 – Continuação. ....................................................................................................... 129
C.2 – Continuação. ....................................................................................................... 130
C.2 – Continuação. ....................................................................................................... 131
C.2 – Continuação. ....................................................................................................... 132
C.2 – Continuação. ....................................................................................................... 133
C.2 – Continuação. ....................................................................................................... 134
C.2 – Continuação. ....................................................................................................... 135
C.2 – Continuação. ....................................................................................................... 136
C.2 – Continuação. ....................................................................................................... 137
C.2 – Continuação. ....................................................................................................... 138
C.2 – Continuação. ....................................................................................................... 139
C.2 – Continuação. ....................................................................................................... 140
C.2 – Continuação. ....................................................................................................... 141
C.2 – Continuação. ....................................................................................................... 142
C.2 – Continuação. ....................................................................................................... 143
C.2 – Conclusão............................................................................................................ 144
LISTA DE SIGLAS E ABREVIATURAS
AVHRR
- AdvancedVery High Resolution Radiometer
FAO
- United Nations Food and Agriculture Organization
FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais
FIOCRUZ - Fundação Oswaldo Cruz
IDH
- Índice de Desenvolvimento Humano
MODIS
- Moderate Resolution Imaging Spectroradiometer
MSE
- Média dos quadrados dos resíduos
MSPR
- Média dos quadrados dos resíduos das amostras separadas para a validação
NDVI
- Índice de vegetação da diferença normalizada
NOAA
- National Oceanic and Atmospheric Admininstration's
S. japonicum - Schistossoma japonicum
S. mansoni - Schistossoma mansoni
SIG
- Sistema de Informações Geográficas
SNIU
- Sistema Nacional de Indicadores Urbanos
SR
- Sensoriamento Remoto
SRTM
- Shuttle Radar Topography Mission
UFMG
- Universidade Federal de Minas Gerais
LISTA DE SÍMBOLOS
(
Lj
- Intensidade populacional local
(
L jm
- Intensidade populacional local de um grupo populacional
(
P*(m,n )
(
Q*m
Índice espacial de exposição do grupo m ao grupo n
Índice espacial de isolamento do grupo m
R
- Coeficiente de correlação
R2
- Coeficiente de determinação
CAPÍTULO 1
INTRODUÇÃO
1.1 Contextualização
De todas as infecções parasíticas que afetam o homem, a esquistossomose é uma das
mais difundidas, presente em mais de 74 países (praticamente todos subdesenvolvidos),
onde mais de 200 milhões de pessoas são infectadas a cada ano, deixando de 500 a 600
milhões expostas à doença (WHO, 1993).
No Brasil, ocorre a esquistossomose mansoni que tem como agente etiológico o
trematódeo Schistosoma mansoni (S. mansoni). A dispersão da doença é lenta e
progressiva no país, instalando-se por conta do saneamento precário ou inexistente. As
pessoas se contaminam através de diversos tipos de contato (trabalho, lazer, banho) com
água natural infestada por cercárias que são eliminadas na água através de hospedeiros
intermediários, moluscos límnicos do gênero Biomphalaria (B. glabrata, B.
tenagophila, B. straminea) (DOUMENGE et al., 1987).
Provavelmente a esquistossomose foi trazida da África para o Brasil no século XVI, nos
primórdios da colonização européia, em virtude do tráfico de escravos. Pelos dados do
programa de controle da esquistossomose do Ministério da Saúde de 1995 a 2005,
foram notificados mais de um milhão de casos positivos da doença, dos quais 27,5%
dos casos positivos foram notificados no Estado de Minas Gerais. Existem também
outros focos da doença disseminados pelo país, principalmente nos estados da Bahia e
Espírito Santo. Estima-se que existam no país entre 10 e 12 milhões de pessoas
infectadas (AMARAL ; PORTO, 1994).
Os primeiros casos de esquistossomose registrados em Minas Gerais foram observados
por Teixeira (1920), na cidade Belo Horizonte. Naquela oportunidade foram
examinadas 9.995 pessoas “de todas as idades e condições”, sendo os ovos de
S.mansoni encontrados nas fezes de 49 pacientes (0,5%).
25
A esquistossomose apresenta formas cutâneas (Figura 1.1a), agudas ou crônicas. A
forma cutânea dura aproximadamente 10 dias e ocorre após a penetração das cercárias
na pele humana. A forma aguda dura de 10 a 120 dias e apresenta sintomatologia
variada, mas com predominância intestinal. A forma crônica depende dos órgãos
atingidos, da carga parasitária (número de ovos) e da duração da doença. Por vezes,
podem surgir formas graves, com extensa fibrose hepática, hipertensão porta,
esplenomegalia (Figura 1.1b) e neuroesquistossomose (Figura 1.1c), podendo o
indivíduo ficar paralítico. Porém, na maioria das vezes a doença é assintomática
podendo o indivíduo morrer sem sequer saber que esteve infectado (DIAS, 1998).
a)
c)
b)
FIGURA 1.1 – a) Forma cutânea b) Esplenomegalia c) Neuroesquistossomose.
O tratamento da esquistossomose é simples, devido à disponibilidade de drogas, como o
oxamniquine (com taxa de cura de 65 - 80% ) ou o praziquantel (com taxa de cura de 78
- 90%) de ação rápida, em dose única, administradas por via oral. No entanto, a
prevalência da doença permanece inalterada em regiões endêmicas e vem se expandindo
principalmente na periferia dos grandes centros urbanos. Isto se deve, na maioria das
vezes, ao fato da droga não conferir imunidade, levando a reinfecções de indivíduos já
tratados. Estes indivíduos ficam em constante exposição ao agente infectante tornandose necessário repetir a conduta terapêutica, em intervalos de tempo variados,
aumentando os efeitos tóxicos da droga (KATZ; CARVALHO, 1983; KATZ et al.,
1989).
O ciclo da doença é relativamente simples, mas de enorme complexidade social que
depende da existência de homem eliminando ovos do parasita, de coleções hídricas
habitadas por moluscos suscetíveis e das necessidades cotidianas das pessoas. Porém
sabe-se que a transmissão da doença é mais dependente do comportamento do homem
26
do que do vetor, pois a infecção se dá fora de casa no contato com águas naturais
contaminadas por fezes de portadores do verme.
Por isso a doença, ainda hoje, pode ser considerada um caso de saúde pública devido à
incidência em regiões pobres do país e, portanto, requer estudos que ajudem a relacionar
a incidência da doença com variáveis sociais ou ambientais. Esta relação tem como
objetivo determinar locais que potencialmente podem desenvolver a doença.
Uma vez que a esquistossomose é uma doença determinada no espaço e no tempo por
fatores ambientais e sociais, o Sistema de Informações Geográficas (SIG) é uma
ferramenta útil que pode ser empregada para melhor conhecer a distribuição da doença.
A utilização de SIG e Sensoriamento Remoto (SR) na identificação de características
ambientais que permitam determinar e delimitar, respectivamente, os fatores e as áreas
de risco, possibilita indicar uma melhor distribuição de recursos que permite um
direcionamento mais adequado para o controle da doença (BAVIA et al., 2001; BECK
et al., 2000; BECK et al., 1997; CARVALHO et al., 2005).
Também seria de grande valor para o estudo considerar as relações de vizinhança, já
que a doença tem caráter comportamental e social e pode ser influenciada pelo seu
entorno. Por exemplo, os domicílios de um município que tenha um bom saneamento,
mas que possua municípios vizinhos cujos domicílios possuam saneamento precário ou
inexistente, estariam mais expostos ao possível contágio ao usar recursos hídricos
naturais.
A informação de vizinhança foi incorporada neste trabalho através do desenvolvimento
de variáveis de caracterização de influência da vizinhança. Essas variáveis são uma
adaptação do uso das medidas de segregação (índices espaciais de isolamento e
exposição) descritas por Feitosa (2007). As variáveis de caracterização de influência da
vizinhança medem a disparidade entre municípios vizinhos em relação às variáveis
sócio-ambientais (renda, educação, saneamento esgoto, saneamento água e acumulação
hídrica). Espera-se que, por considerar o arranjo espacial dos dados, as variáveis de
caracterização de vizinhança possam ser úteis para estimar a prevalência da doença.
27
Outras variáveis tais como, variáveis climáticas e variáveis socioeconômicas
demonstraram ser eficientes em trabalhos anteriores para estimar a prevalência da
esquistossomose (FREITAS et al., 2006). As variáveis climáticas refletem as condições
de sobrevivência do caramujo e das várias formas da larva do Schistosoma mansoni. As
variáveis socioeconômicas refletem os fatores sociais que estão associados a esse tipo
de doença, tais como: forma de acesso à água, o tipo de esgoto, a zona de residência, a
escolaridade e a renda.
O presente trabalho dá continuidade a um projeto da FAPEMIG (processo: 1775/03)
iniciado em 2003, intitulado “Desenvolvimento de um sistema de informações para o
estudo, planejamento e controle da esquistossomose no Estado de Minas Gerais” e faz
parte de um novo projeto de 2006 (processo: 893/05) intitulado “Desenvolvimento de
metodologias e ferramentas de geoprocessamento na análise espacial e distribuição da
esquistossomose no Estado de Minas Gerais”. Este projeto é um esforço conjunto entre
o Instituto Nacional de Pesquisas Espaciais (INPE), a Fundação Oswaldo Cruz
(FIOCRUZ), e a Universidade Federal de Minas Gerais (UFMG).
O objetivo deste trabalho é estimar o risco da prevalência da esquistossomose no Estado
de Minas Gerais usando variáveis obtidas por SR, variáveis climáticas, variáveis
socioeconômicas e variáveis de caracterização de vizinhança (propostas neste trabalho).
Várias técnicas foram usadas para este propósito, incluindo analise de regressão linear,
regionalização e reconhecimento de padrões.
Utilizando análise de regressão, duas abordagens são consideradas: na primeira, um
modelo de regressão linear é definido para estimar a doença em todo o Estado; a
segunda abordagem consiste em determinar regiões homogêneas para o Estado e definir
modelos de regressão linear diferentes para cada região do Estado. Assim, pretende-se
também neste trabalho, comprovar a hipótese de que a regionalização do Estado de
Minas Gerais contribui para a melhora da estimativa da doença, pelo fato de existir
características sócio-ambientais diferentes relacionadas à doença em partes diferentes
do Estado.
28
Técnicas de reconhecimento de padrões são também utilizadas para identificar classes
de gravidade da prevalência da doença. A técnica de reconhecimento de padrões
adotada nesse trabalho, árvore de decisão, é baseada em regras definidas a partir do
particionamento recursivo das variáveis preditoras, no qual o conhecimento sobre o
problema pode ser representado por meio de uma estrutura de regras de decisão
(ARAKI, 2005; MARCELINO, 2003).
Um outro diferencial abordado neste trabalho é o uso da classificação imprecisa através
de cenários, mais otimista e menos otimista, da prevalência estimada dos modelos de
regressão linear, calculados usando o desvio padrão da estimativa e vários níveis de
confiança. O uso da classificação imprecisa é uma adaptação da classificação adotada
em Drummond e Sandri (2006).
O fator limitante desse trabalho se deve ao fato dos dados de prevalência da doença
serem disponibilizados em nível de município, pela Secretaria de Saúde de Minas
Gerais, já que a esquistossomose é uma doença de caráter pontual. Além disso, as
informações das variáveis de SR são camufladas ou descaracterizadas quando se calcula
a média por município. Seria de grande valia para o estudo a disponibilização de dados
de localidade para geração de uma estimativa de risco mais precisa e confiável.
1.2 Justificativa e hipóteses do trabalho
O presente trabalho se justifica dada a necessidade de se encontrar ferramentas para
estimar o risco da prevalência da esquistossomose através de modelos que expliquem a
relação das variáveis sócio-ambientais com a prevalência da doença, o que permite
caracterizar regiões mais suscetíveis a sua ocorrência. Esse assunto é de suma
importância para o controle da esquistossomose em território brasileiro.
Desse modo, o trabalho inclui três hipóteses principais. A primeira sugere que a
introdução das variáveis de caracterização de vizinhança melhora a estimativa da
doença. A segunda hipótese sugere que pelo fato do Estado de Minas Gerais possuir
grandes variações socioeconômicas, a separação do Estado em áreas homogêneas
(regionalização) para o desenvolvimento de um modelo de regressão linear múltipla
29
para cada área, melhora a estimativa da prevalência da doença. A terceira hipótese
indica que o método de classificação por árvore de decisão é adequado para
classificação de risco em estudos epidemiológicos, como no caso, a prevalência da
esquistossomose em Minas Gerais.
Os resultados obtidos serão divulgados com a finalidade de favorecer a elaboração de
plano de ação por parte do programa de controle da esquistossomose, da CoordenaçãoGeral de Doenças Transmissíveis, da Secretaria de Vigilância em Saúde. Espera-se que
as metodologias empregadas colaborem para a prevenção desta e de outras doenças.
1.3 Objetivo
1.3.1 Geral
O presente estudo tem como objetivo geral estimar o risco da prevalência da
esquistossomose no Estado de Minas Gerais através da utilização de variáveis obtidas
por sensoriamento remoto, variáveis climáticas, variáveis socioeconômicas e variáveis
de caracterização de vizinhança.
1.3.2 Específicos
•
Propor variáveis de caracterização de vizinhança usando dados sócio-ambientais
relevantes para a estimativa de prevalência de esquistossomose;
•
Propor uma regionalização no Estado de Minas Gerais para desenvolver um
modelo estatístico para cada região;
•
Determinar quais as variáveis mais importantes para a predição da
esquistossomose no Estado de Minas Gerais;
•
Desenvolver modelo de regressão múltipla linear para prever o risco da
esquistossomose em áreas do Estado de Minas Gerais, para as quais não existem
dados disponíveis;
30
•
Realizar a classificação imprecisa através da estimativa dos modelos regional e
global e do desvio padrão dos modelos, para gerar um nível de confiança dos
resultados;
•
Desenvolver regras de classificação através de árvore de decisão para prever o
risco da doença em áreas do Estado de Minas Gerais, para os quais não existem
dados disponíveis;
•
Comparar os modelos de regressão linear com o modelo de árvore de decisão,
baseado em regras de classificação;
•
Divulgar os resultados obtidos para favorecer a elaboração de plano de ação por
parte do programa de controle da esquistossomose, da coordenação geral de
doenças transmissíveis, da secretaria de vigilância em saúde.
1.4 Estrutura do trabalho
Esta dissertação está organizada em sete capítulos. O capítulo 2 descreve alguns estudos
abordados na literatura para estimar a esquistossomose e discute as inovações propostas
neste trabalho. O capítulo 3 refere-se a fundamentação teórica, onde são apresentados os
índices espaciais de isolamento e exposição descritos por Feitosa (2005) que foram
usados para geração das variáveis de caracterização da vizinhança, a regionalização, a
regressão linear, a classificação imprecisa e a árvore de decisão. O Capítulo 4 descreve
a área de estudo, as variáveis, e os softwares utilizados nesta dissertação. No capítulo 5
é mostrada a metodologia deste trabalho. Os resultados obtidos são apresentados no
capítulo 6 e são feitas algumas discussões sobre eles. Finalmente o capítulo 7 traz as
considerações finais e propostas para trabalhos futuros.
31
32
CAPÍTULO 2
REVISÃO BIBLIOGRÁFICA
Neste capítulo é feito um resumo sobre alguns trabalhos encontrados na literatura para
estimar a esquistossomose em diversas regiões da África e da Ásia e em dois estados
brasileiros, Bahia e Minas Gerais. São também apresentadas as inovações propostas
neste trabalho para melhorar as estimativas de prevalência da esquistossomose.
2.1 Estudos para estimar a doença
Documenta-se bem que o clima e as variáveis ambientais influenciam a distribuição da
esquistossomose. Assim, as variáveis oriundas de SR e variáveis meteorológicas
juntamente com SIG, possuem grande potencial em predizer a transmissão da
esquistossomose (BROOKER, 2002).
Por exemplo, Malone et al. (1994) investigaram a distribuição do S. mansoni no Egito
usando dados do sensor AdvancedVery High Resolution Radiometer (AVHRR) a bordo
do National Oceanic and Atmospheric Administration’s (NOAA) para derivar mapas da
diferença de temperatura diurna (dT). Esses mapas indicam a umidade na superfície do
solo e na cobertura da planta, atuando como substituto para a concentração do molusco,
B. alexandrina. Eles concluíram que os valores menores de dT estão associados ao
aumento da concentração do caramujo em áreas úmidas com fluxo, ambiente mais
apropriado ao habitat do caramujo.
Em 1997, além da diferença de temperatura diurna, Malone et al. (1997) utilizaram
índice de vegetação da diferença normalizada (NDVI) como dados de requisitos
naturais, juntamente com um SIG. Os resultados mostraram que a hipótese de que esses
dados podem estar relacionados com a propagação e transmissão da esquistossomose no
Egito, é verdadeira.
33
Gong et al. (1999) usaram o mapeamento temático de Landsat para traçar o habitat do
caramujo e usaram SR juntamente a uma base de dados do SIG para delinear e modelar
o espaço para o estudo da dinâmica da transmissão da esquistossomose em Sichuan,
China.
Yang et al. (2005a) fez uma revisão do uso do SIG e SR com aplicações na
epidemiologia e no controle da esquistossomose na China. Nessa revisão alguns
trabalhos de 1998 a 2005 foram relacionados. Esses trabalhos são apresentados a seguir.
Em 1998, Maszle et al. avaliaram modelos hidrológicos nas áreas de transmissão
afetadas severamente pela esquistossomose em Minhe e Hexing, província de Sichuan
(China), utilizando SIG, juntamente com fatores ambientais (ar, água, solo, temperatura,
dias de chuva, redes de irrigação e sistema natural de drenagem) e fatores
epidemiológicos (incidência da doença, localização da residência do doente, informação
do contato com água, densidade da população do caramujo e dados de detecção de
cercárias) (MASZLE et al., 1998 citado por YANG et al., 2005a).
No sul da China, em 1998, Zhou et al. utilizaram SIG, juntamente com fatores
ambientais (temperatura, pancadas de chuva, evaporação) para predizer o risco de
transmissão espacial da esquistossomose (ZHOU et al., 1998 citado por YANG et al.,
2005a). Em 1999, na província de Jiangsu e em áreas adjacentes, Zhou et al. utilizaram
SIG juntamente com a prevalência da doença e fatores ambientais (NDVI, índice de
risco de clima, temperatura da superfície da terra e média da temperatura mínima em
janeiro), para identificar “pontos quentes” de alta intensidade de transmissão (ZHOU et
al., 1999 citado por YANG et al., 2005a).
Em 2000, Zhou et al. mapearam a distribuição espacial da esquistossomose utilizando
amostras de pesquisa nacional de 1989 e 1995, para toda a China (ZHOU et al., 2000
citado por YANG et al., 2005a). Já em 2001, Zhou et al. fizeram um avanço no
desenvolvimento de modelos para a predição da doença usando SR, SIG e os dados do
clima com base em dados históricos de prevalência, confirmando os efeitos do projeto
da represa Three Gorges do rio de Yangtze nas mudanças ambientais que podem
34
impactar mudanças na distribuição espacial e temporal do S. japonicum na China, e ao
sucesso de futuros programas de controle da doença (ZHOU et al., 2001).
Também em 2002, Yang et al. analisaram dados de séries temporais em Anhui, Jiangsu
e província Jiangxi utilizando SIG e dados de prevalência do S. japonicum de 1980 a
1998 (YANG et al., 2002a citado por YANG et al., 2005a). Em outro trabalho de 2002,
Yang et al. estimaram a distribuição espacial da esquistossomose utilizando também
SIG e dados da prevalência da doença de 1990 a 1998 (YANG et al., 2002b citado por
YANG et al., 2005a).
Em 2005, Yang et al. fizeram uma aproximação baseada numa rede Bayesiana para
modelar a prevalência espaço-temporal do nível de infecção do S. japonicum na
província de Jiangsu, China e concluiram que os modelos que combinam o SIG, SR e as
aproximações estatísticas baseado numa rede Bayesiana facilitam estabelecer o risco da
doença (YANG et al., 2005b).
Em 2001, Malone et al. propuseram a criação de modelos computacionais que podem
ser usados para melhorar os programas de controle da esquistossomose e outras doenças
transportadas por caramujo de importância médica e veterinária. Os modelos são
construídos usando métodos de SIG, modelos de dados climáticos globais, dados de
satélites, dados de prevalência da doença, da distribuição dos moluscos hospedeiros, e
mapas digitais dos principais fatores ambientais que afetam o desenvolvimento e
propagação dos agentes da esquistossomose na Etiópia (MALONE et al., 2001a).
Também em 2001, na Etiópia, Malone et al. utilizaram mapas do NDVI e da
temperatura da superfície da terra (Tmax), obtidos pelo satélite NOAA e SIG para o
desenvolvimento de um modelo de risco da esquistossomose. A área endêmica do
modelo predito era similar àquela de um modelo prévio desenvolvido usando um
conjunto de dados independentes da zona agro ecológica da United Nations Food and
Agriculture Organization (FAO). O modelo desenvolvido para a Etiópia foi extrapolado
para o leste da África com sucesso (MALONE et al., 2001b).
35
Brooker et al. (2001; 2002b) usaram dados do sensor AVHRR juntamente com dados de
prevalência da esquistossomose em escolares para desenvolver e validar modelos de
regressão logística para estimar o risco da infecção pelo S. haematobium na Tanzânia e
em Camarões. Os modelos predizem se a prevalência é maior que 50%.
Brooker (2002a) fez uma análise dos progressos do uso e da aplicação do SIG e do SR
na epidemiologia e no controle da esquistossomose na África.
Raso et al. (2006) usaram variogramas dos modelos Bayesianos para avaliar os fatores
de risco e a variação espacial da co-infecção do S. mansoni e do tênia com relação às
variáveis demográficas, ambientais, e socioeconômicas, incorporadas em um SIG, para
o oeste da Costa do Marfim. Os modelos mostraram que a idade, o sexo, o status
socioeconômico, e a elevação do terreno eram bons preditores para a distribuição
espacial da co-infecção.
2.1.1 Estudos para estimar a doença no Brasil
No Brasil foram realizados alguns estudos sobre esquistossomose mansoni usando
ferramentas de geoprocessamento no Estado da Bahia e em Minas Gerais. Nesses
estudos foram identificados fatores ambientais que influenciam a distribuição da
esquistossomose usando mapas com características ambientais e dados de prevalência
da doença (BAVIA et al., 1999; BAVIA et al., 2001; FREITAS et al., 2006;
GUIMARÃES et al., 2006).
Na Bahia, Bavia et al. (1999), observaram que a densidade da população e a duração do
período de chuva anual são de grande importância para determinar a prevalência da
esquistossomose em áreas selecionadas para o estudo. Bavia et al. (2001) confirmaram
que uso do NDVI, da diferença média da temperatura diurna, da duração do período
seco e da densidade populacional humana como fatores de risco ambiental no modelo
estimado de regressão linear múltipla que obteve o coeficiente de correlação de 0,40.
36
Dutra et al. (2005a) desenvolveram dois índices hidrológicos, usando o SRTM1 (Shuttle
Radar Topography Mission), o Índice de Molhamento (IM) e o Índice de Empoçamento
(IE), os quais supõem-se depender de fatores topográficos (declividade local e mapa de
acumulação hídrica) e da precipitação acumulada. A suposição básica para uso desses
índices é que quanto maiores são esses índices, maior é o potencial de existência de
uma ambiente hídrico propício para a vida do molusco transmissor. Porém a correlação
do IM com a prevalência da esquistossomose foi considerada desprezível. O IE
demonstrou maior correlação com os valores de prevalência quando comparados ao IM.
Dutra et al. (2005b) usaram imagens SRTM para mapear a rede de drenagem e para
estudar a rugosidade do terreno em Minas Gerais. O estudo relacionou a variação do
limiar de rugosidade do terreno com a distribuição da prevalência da esquistossomose,
que indicou que as regiões mais rugosas favorecem a retenção de água na forma de
poças, gerando ambiente propício para o molusco.
Guimarães et al. (2005b) utilizaram o modelo linear de mistura espectral de imagens do
MODIS2 (Moderate Resolution Imaging Spectroradiometer) e SRTM para determinar
as imagens-fração vegetação, solo e sombra de janeiro e julho/2002 e verificar a
existência de correlação com a prevalência da esquistossomose e com a presença ou não
de Biomphalaria glabatra em Minas Gerais. Foram utilizadas as médias das frações em
96 municípios com prevalência maior que zero e presença de Biomphalaria.
Guimarães et al. (2006) fizeram uma análise da distribuição da esquistossomose
utilizando SIG, além da estimativa da prevalência da doença para o Estado de Minas
Gerais usando regressão múltipla com variáveis socioeconômicas (índice de
desenvolvimento humano (IDH), renda, longevidade, e educação), variáveis climáticas
(precipitação acumulada, temperatura máxima e mínima), além de variáveis qualitativas
1
O SRTM consistiu em um sistema de radar que voou a bordo do ônibus espacial Endeavour e obteve
dados de elevação em uma escala global para gerar um banco de dados de modelo topográfico digitais da
Terra com resolução espacial de 90 metros. Fonte:< http://www2.jpl.nasa.gov/srtm/mission.htm >
2
MODIS é um instrumento a bordo dos satélites Terra (EOS AM) e Aqua (EOS PM). A órbita do satélite
Terra em torno da Terra atravessa o equador de Norte a Sul pela manhã, enquanto o satélite Aqua
atravessa o equador de Sul a Norte pela tarde. Os produtos MODIS podem ser obtidos através do site: <
http://modis.gsfc.nasa.gov/>
37
(caatinga, cerrado ou floresta). O modelo selecionado com R2 de 0,36 contém uma
variável climática (temperatura mínima no verão), uma variável social (IDH) e a
variável qualitativa do tipo de vegetação.
Freitas et al. (2006) usaram a prevalência da esquistossomose no Estado de Minas
Gerais para estabelecer uma relação entre vinte variáveis oriundas de SR derivados dos
sensores MODIS e SRTM através de regressão múltipla, chegando a um modelo com R2
de 0,32 contendo as variáveis DEM (Modelo digital do terreno do SRTM) e NDVI_I
(no inverno).
Guimarães et al. (2007) uniram as variáveis derivadas dos sensores MODIS e SRTM e
as variáveis socioeconômicas usadas por Freitas et al. (2006) com as variáveis
climáticas e geraram um modelo com o coeficiente de determinação de 0,31, no qual as
variáveis selecionadas foram DEM, Tmin_V e NDVI_I. Para a construção deste
modelo, não foram usadas as variáveis qualitativas que foram usadas por Guimarães et
al (2006).
Fonseca et al. (2007b) utilizaram recursos de geoprocessamento para promover a
integração de um conjunto de dados provenientes de SR com ferramentas de análise
espacial, para desenvolver um índice hidrológico para aplicação em estudos de
distribuição da prevalência de esquistossomose, caracterizando a distribuição da doença
em quatorze municípios do Estado de Minas Gerais.
Fonseca et al. (2007a) desenvolveram dois modelos de regressão múltipla para estimar a
prevalência da esquistossomose no Estado de Minas Gerais, através de dados
provenientes de SR, sócio-econômicos, espaciais (equivalentes aos valores de
prevalência dos cinco municípios mais próximos ao município em questão) e dados
históricos de prevalência da doença. O primeiro modelo contém as variáveis DEM,
NIR_I (infravermelho próximo no inverno), Somb_I (Modelo linear de mistura
espectral – Sombra no inverno), Esp1 (prevalência do primeiro vizinho mais próximo,
dividida pela raiz quadrada da distância) e Esp2 (prevalência do segundo vizinho mais
próximo, dividida pela raiz quadrada da distância) com R2 de 0,43. O segundo modelo
38
obteve 0,34 de R2 e contém as variáveis DEM, NIR_I, Somb_I e AguaPoçNasc
(porcentagem de domicílios com acesso a água através de poço ou nascente).
Martins et al. (2007) aplicaram uma técnica de reconhecimento de padrões, árvore de
decisão, para classificar a prevalência da esquistossomose, com quatro classes de risco
para a doença, no Estado de Minas Gerais através de variáveis derivadas de SR,
climáticas e sócio-econômicas utilizando ferramentas de SIG. A árvore selecionada
alcançou 65% de amostras classificadas corretamente. As variáveis selecionadas para
estimar a prevalência da doença foram: DEM, Blue_V (Banda azul do MODIS), EVI_V
(Índice de vegetação melhorada no verão), Somb_V, Veg_I (Modelo linear de mistura
espectral – Vegetação no inverno), Tmin_V, Tmax_I (Temperatura máxima no
inverno), IDHL_00 (Índice de desenvolvimento humano – longevidade de 2000), SAN6
(Porcentagem de domicílios com banheiro ligados a outro tipo de esgotamento).
Tendo em vista os resultados encontrados na literatura, esta dissertação visa melhorar a
estimativa do modelo de regressão linear da prevalência da esquistossomose para o
Estado de Minas Gerais. Para isto é proposto a utilização de variáveis de caracterização
de vizinhança e de outras variáveis socioeconômicas, tais como: tipo de esgotamento
dos domicílios, forma de acesso à água dos domicílios, grau de instrução do responsável
pelo domicilio, renda do chefe de família.
Também são abordadas neste trabalho as melhoras nas estimativas obtidas através da
regionalização do Estado e a construção de um modelo de regressão linear para cada
região. Assim como em Martins et al. (2007), neste trabalho também é utilizada a
técnica de árvore de decisão, para estabelecer três classes de risco da prevalência da
esquistossomose no Estado. A utilização da classificação imprecisa obtida através da
regressão linear é também uma novidade deste trabalho.
39
40
CAPÍTULO 3
FUNDAMENTAÇÃO TEÓRICA
Neste capitulo é apresentada a fundamentação teórica para o melhor entendimento da
metodologia usada neste trabalho. São apresentadas: as definições dos índices espaciais
de isolamento e exposição que foram adaptados para gerar as variáveis de
caracterização da vizinhança; o conceito de regionalização e como ela é feita; o conceito
e os testes necessários para construção de um modelo de regressão linear; o conceito de
classificação imprecisa que foi adaptado para a aplicação nos modelos de regressão
linear; e a definição da árvore de decisão com os passos necessários para a sua
construção.
3.1 Variáveis de caracterização de vizinhança
As variáveis de caracterização de vizinhança são baseadas em um conjunto de
indicadores que mostram para cada variável sócio-ambiental escolhida, a disparidade
entre municípios, usando dois níveis de corte (por exemplo: baixo e alto poder
aquisitivo) estabelecidos. Estes cortes se situam nos extremos dos valores dessas
variáveis. O objetivo é estabelecer uma medida que traga informações do quanto que a
diferença sócio-ambiental dos municípios vizinhos influencia no município de
referência.
Os indicadores adotados neste trabalho são obtidos através dos índices espaciais de
isolamento e exposição propostos por Feitosa (2005). Estes índices foram obtidos por
Feitosa (2005) a partir da extensão de índices não-espaciais baseada na abordagem
proposta por Wong (1998citado por FEITOSA, 2005). As dimensões exposição e
isolamento dizem respeito à capacidade de encontro entre membros de diferentes grupos
(ou do mesmo grupo no caso do isolamento) (REARDON E O’SULLIVAN, 2004).
Feitosa (2005) aplicou estes índices ao estudo de segregação residencial de São José dos
Campos usando como unidade de área setores censitária do município. Cada unidade de
41
área considerada na análise foi associada a uma localidade cujas características
populacionais são expressas por sua “intensidade populacional local”.
A intensidade populacional local da unidade de área j considera tanto a população de j
quanto a das unidades vizinhas à j e, na prática, representa a soma da população de
todas as áreas, ponderada por sua proximidade à área j (FEITOSA, 2005). O cômputo
da intensidade populacional local é realizado através do uso de um estimador kernel,
que é posicionado no centróide da localidade j e computa a média ponderada dos dados
populacionais da área de estudo (Figura 3.1) (SILVERMAN, 1986 citado por
FEITOSA, 2005). Os pesos utilizados neste cômputo dependem dos parâmetros do
estimador kernel escolhido pelo pesquisador (FEITOSA, 2005).
FIGURA 3.1 – Estimador kernel gaussiano.
Fonte: Feitosa (2005).
Para toda localidade j cujo valor será estimado, o estimador (k) de intensidade será
computado a partir dos valores das amostras i contidos numa largura de banda bw, e da
distância euclidiana dij entre a localidade j de coordenada (xj, yj) e cada uma das
localidades com coordenada (xi, yi) contida na amostra, como mostra a equação abaixo
(DRUCK et al., 2004):
k (i, j , bw) =
⎛ d 2 ⎞
1
exp ⎜ − ij 2 ⎟
⎜ 2bw ⎟
2π bw
⎝
⎠
(3.1)
onde, i = 1,...,J e j = 1,...,J e J é o número total de unidades de área na área de estudo.
Assim, intensidade populacional local de j será mais influenciada pela população
localizada em unidades de área próximas do que por aquelas localizadas em unidades
42
mais distantes. Em termos formais, a intensidade populacional local de uma unidade de
(
área j ( L j ) é definida como (FEITOSA, 2005):
J
(
L j = ∑ N i k (i, j , bw) ,
(3.2)
i =1
onde Ni é a população total na unidade de área i.
A intensidade populacional local de um “grupo populacional” m na unidade de área j
(
( L jm ) é calculada através da substituição da população total na unidade de área i (Ni)
pela população do grupo m na unidade de área i (Nim) na Equação 3.2 (FEITOSA,
2005).
J
(
L jm = ∑ Nim k (i, j, bw)
(3.3)
i =1
(
O índice espacial de exposição do grupo m ao grupo n ( P*(m,n ) ) expressa o contato
potencial entre os dois grupos populacionais e varia de 0 (exposição mínima) a 1
(exposição máxima). Dados dois grupos, o índice mede o contato potencial entre os
membros de um grupo em relação aos membros de outro grupo (FEITOSA, 2005).
(
1
P*(m ,n ) =
Nm
(
⎛ L jn
N jm ⎜ (
∑
⎜L
j =1
⎝ j
J
⎞
⎟⎟
⎠
(3.4)
onde Nm é a população do grupo m na área de estudo.
(
O índice espacial de isolamento do grupo m ( Q*m ) é um caso particular do índice
(
espacial de exposição. O índice Q*m mede a exposição do grupo m a ele próprio e
também varia entre 0 (mínimo isolamento) e 1 (máximo isolamento) (FEITOSA, 2005).
(
1
Q*m =
Nm
(
⎛ L jm ⎞
N jm ⎜ ( ⎟
∑
⎜ L ⎟
j =1
⎝ j ⎠
J
(3.5)
43
Os índices de exposição e isolamento dependem da composição populacional do
município como um todo, ou seja, as proporções de cada grupo são relevantes. Por
exemplo, o índice de exposição do grupo m ao n tende a apresentar valores mais altos se
a proporção do grupo n em toda a área de estudo for elevada, dado que a interação entre
os indivíduos do grupo n e os demais grupos se torna mais provável. Em virtude desta
(
característica, o índice de exposição é considerado assimétrico, ou seja, P*(m,n ) não é
(
igual P*(n ,m ) , exceto se os grupos m e n apresentarem a mesma proporção populacional
(FEITOSA, 2005).
3.2 Regionalização
A regionalização é um método de agrupamento de áreas, em regiões homogêneas e
contínuas no espaço. Considerando o grau de similaridade, o procedimento de
regionalização busca dividir o espaço em sub-regiões, delineando novas áreas com
características mais semelhantes. Este processo auxilia na descoberta de estruturas
existentes em um conjunto complexo de dados, reduzindo o grande volume de dados em
grupos, de forma a simplificar a análise (ASSUNÇÃO et al., 2006).
Existem três abordagens, descritas por Neves et al (2002) e Assunção et al (2006), para
a condução da regionalização. Na primeira abordagem, o processo é realizado em dois
estágios independentes podendo identificar entre os dois estágios, se objetos similares
estão, ou não, espalhados pela área de estudo. No primeiro estágio é executado um
procedimento de classificação convencional usando atributos não-espaciais. No segundo
estagio os objetos classificados na fase inicial, são separados formando regiões distintas.
Esta abordagem pode ser usada como uma rápida avaliação da dependência espacial
entre os objetos (ASSUNÇÃO et al., 2006; NEVES, 2003).
Na segunda abordagem utilizada em procedimentos de regionalização, a similaridade
entre os objetos é avaliada considerando simultaneamente a posição geográfica dos
objetos e seus atributos não-espaciais. As coordenadas do centróide da área são
utilizadas para representar a localização dos objetos e são consideradas como atributos
adicionais ao problema de classificação (ASSUNÇÃO et al., 2006; NEVES, 2003).
44
Na terceira abordagem utilizada para o procedimento de regionalização, o
relacionamento de vizinhança entre os objetos é explicitado por meio de dispositivos
auxiliares, como: uma matriz, um grafo ou uma lista de objetos vizinhos. No caso do
uso de uma matriz, ela é chamada de matriz de conectividade (C), onde cada elemento,
cij, indica se os objetos i e j são vizinhos, ou não. Assim, cij = 0 para objetos não
vizinhos e cij = 1 para objetos vizinhos. De forma equivalente, quando é usado um
grafo, cada objeto é representado por um vértice. Quando os objetos são vizinhos, existe
uma aresta ligando os dois vértices correspondentes no grafo (ASSUNÇÃO et al., 2006;
NEVES, 2003).
A regionalização abordada neste trabalho usa a terceira abordagem, ou seja, utiliza um
grafo de conectividade para capturar as relações de adjacência entre objetos. Desta
maneira, a estratégia é transformar um problema de regionalização em um problema de
divisão de grafos, reduzindo um mapa de objetos espaciais a um grafo onde cada nó
representa um objeto e objetos adjacentes são ligados por uma aresta (NEVES, 2003). A
partir do grafo de conectividade é gerada uma árvore geradora mínima. Esta árvore é
escolhida de forma a garantir que a soma dos custos associados às arestas seja o menor
possível, sendo os custos das arestas inversamente proporcionais às similaridades entre
os objetos. A árvore geradora mínima é baseada no algoritmo Prim descrito por
Jungnikel, (1999 citado por ASSUNÇÃO et al., 2006).
Após a criação da árvore geradora mínima, é necessário dividi-la para obter as regiões
espaciais. O critério utilizado para seccionar a árvore geradora mínima consiste em
remover as arestas que minimizam a soma dos desvios quadrados de dentro das regiões
espaciais. O desvio quadrado de dentro das regiões é uma medida de dispersão de
valores do atributo para os objetos em uma região. As regiões homogêneas têm valores
pequenos da soma dos desvios quadrados. Assim, quanto menor esse valor, melhor a
divisão (ASSUNÇÃO et al., 2006; NEVES, 2003).
3.3 Regressão linear múltipla
Os modelos de regressão, lineares e não lineares, são utilizados em todas as áreas do
conhecimento, como, por exemplo, computação, engenharias, biologia, medicina,
45
agronomia, administração, sociologia, etc. Esta teoria pode ser encontrada em Neter et
al. (1996); Draper e Smith (1981), entre outros. Através da regressão linear múltipla é
possível determinar as relações entre uma variável dependente (Y) e um conjunto de
variáveis independentes (X1, X2, ..., Xn) (NETER et al., 1996).
Em um modelo de regressão linear as amostras não são correlacionadas, e,
consequentemente, os resíduos do modelo também são independentes, tem variância
constante, e apresentam distribuição normal com média zero (DRUCK et al., 2004).
O objetivo da regressão linear múltipla é encontrar um bom ajuste entre os valores
preditos pelo modelo e os valores observados da variável dependente e descobrir quais
das variáveis explicativas contribuem de forma significativa para este relacionamento
linear (DRUCK et al., 2004). O apelo dos modelos de regressão é explicar uma ou
várias variáveis de interesse em função de outras variáveis (explicativas).
Para a geração de um modelo de regressão linear é mais adequado que se divida o
conjunto de dados em dois conjuntos, para a construção e para a validação do modelo.
Usando o conjunto de construção pode ser feita a seleção de variáveis independentes.
Estas variáveis devem ser selecionadas por possuir alta correlação com a variável
dependente e pouca correlação entre elas. O número de modelos possíveis é dado por 2a
(onde a é o número de variáveis selecionadas). O modelo escolhido deve possuir todas
as variáveis significativas, ou seja, o P-valor de cada variável deve ser significativo. O
melhor modelo de regressão linear pode ser escolhido usando do procedimento best
subset através dos critérios R2, R2 ajustado e Mallows’Cp (NETER et al., 1996).
Após a escolha do melhor modelo deve ser realizado um teste para verificar se a
introdução de interações entre as variáveis melhoram o modelo. O número de interações
é a combinação simples do número de variáveis tomados 2 a 2:
C ( p, 2 ) =
p!
( p − 2 )!2!
(3.6)
onde p é o número de variáveis no modelo escolhido.
46
No teste, o valor de F tabelado é comparado com F* (equação 3.7). Se o valor do F
tabelado for superior ao valor calculado (F*), as interações não melhoram o modelo,
podendo ser descartadas todas de uma só vez. Caso contrário, as interações podem
melhorar o modelo, e não devem ser descartadas todas de uma vez.
SQR − SQRMod Completo
F* =
gl − glMod Completo
SQRMod Completo − glModelo Completo
(3.7)
onde, SQR é a soma dos quadrados dos resíduos do modelo sem as variáveis relativas às
interações, SQRMod
Completo
(modelo com as interações) é a soma dos quadrados dos
resíduos do modelo completo, gl é grau de liberdade dado pela equação 3.8 e glMod
Completo
é grau de liberdade do modelo completo.
gl = n − ( p + 1)
(3.8)
onde n = número de amostras e p é o número de variáveis do modelo.
A adequação do modelo é feita através da análise dos resíduos, em que são testadas as
hipóteses de homocedasticidade, normalidade, e independência dos erros, assim como a
identificação de outliers. Neste trabalho utilizou-se o teste Levene (1960) para
homocedasticidade dos erros. Caso a hipótese seja rejeitada, os parâmetros do modelo
de regressão são estimados através do método dos mínimos quadrados ponderados
(DALMOLIN, 2004). Para testar a normalidade dos resíduos foi utilizado o teste de
Shapiro e Wilk (1965). A identificação de outliers foi efetuada utilizando-se o
procedimento descrito em Neter et al (1996), através dos Leverages, DFFITS
e
distância de Cook.
Após todas essas análises, o modelo deve ser validado. Um dos métodos para a
validação dos modelos consiste na comparação do valor do MSE (média dos quadrados
dos resíduos) do modelo proposto com o valor do MSPR (média dos quadrados dos
resíduos das amostras separadas para a validação) que é calculado utilizando os
parâmetros do modelo proposto com as amostras de validação. Os valores devem ser
47
muito próximos um do outro para que o modelo seja considerado válido (NETER et al.,
1996).
O modelo construído, depois de validado, pode ser usado para realizar predições e
calcular probabilidades (NETER et al., 1996).
3.4 Classificação imprecisa
A classificação da prevalência da doença de forma incorreta pode causar prejuízos às
tomadas de decisão dos gestores, tanto por indicar como alta prevalência um município
que possui prevalência baixa, como indicar como baixa prevalência um município com
prevalência alta. No primeiro caso, os gestores estarão alocando recursos para um
município sem grandes necessidades e no segundo caso a doença pode aumentar no
município pelo não controle da doença.
Neste caso e em diversas aplicações reais a obtenção de uma resposta completamente
imprecisa ao invés de um resultado preciso, porém incorreto, é preferível, já que uma
classificação incorreta pode causar prejuízos. Porém a incerteza e/ou a imprecisão
podem ser considerada um problema em outras aplicações quando se quer tomar uma
decisão. Num tratamento médico, por exemplo, a incerteza pode impedir que um
tratamento seja ministrado a um paciente ou contribuir para que a terapia médica seja
indicada (DRUMMOND, 2007).
Neste estudo, a imprecisão pode contribuir significativamente para a conduta dos
gestores em saúde. Numa classificação convencional, o número de amostras
classificadas incorretamente é geralmente grande. No caso da classificação imprecisa,
uma parte, ou até mesmo todas as amostras classificadas incorretamente na classificação
convencional poderão ser classificadas em classes compostas e se tornarem corretas,
porém imprecisas.
A classificação imprecisa é um tipo particular da classificação nebulosa, difusa ou fuzzy
auxilia a tomada de decisão onde há incerteza. Conforme os princípios básicos da
classificação imprecisa, uma amostra não pertenceria mais a uma classe apenas, mas
48
pertenceria em maior ou menor grau a várias classes, daí o significado de classificação
nebulosa ou difusa (ZADEH, 1965).
Para auxiliar na tomada de decisão, Drummond (2007) definiu indicadores de qualidade
de uma classificação imprecisa para eleger uma boa classificação, avaliando precisão e
acurácia de uma família parametrizada de classificadores. Uma família parametrizada
de classificadores é obtida variando o parâmetro α (de zero a um) de uma distribuição
de possibilidade. O parâmetro α cria uma série de classificadores imprecisos que variam
do classificador mais correto e impreciso ao mais preciso, porém com maior taxa de
erro (DRUMMOND, 2007).
3.5 Árvore de decisão
A árvore de decisão é uma técnica de reconhecimento de padrões e um modelo prático
usado em inferência indutiva. Estas árvores são construídas de acordo com um conjunto
de amostras previamente classificadas e, posteriormente, outras amostras são
classificadas de acordo com essa mesma árvore. Para a construção destas árvores são
usados algoritmos como o ID3, ASSISTANT e C4.5 (QUINLAN, 1993). O C4.5 não
depende de suposições sobre a distribuição dos valores das variáveis ou da
independência destas variáveis entre si. Isto é importante quando se utiliza dados de SIG
juntamente com dados de imagem (ARAKI, 2005).
A filosofia de funcionamento de qualquer algoritmo baseado em árvores de decisão se
constitui na sucessiva divisão do problema em vários subproblemas de menores
dimensões, até que uma solução para cada um dos problemas mais simples possa ser
encontrada. Fundamentados neste princípio, os classificadores baseados em árvores de
decisão procuram encontrar formas de dividir sucessivamente o universo em vários
subconjuntos (criando para tal nós contendo os testes respectivos) até que cada um deles
contemple apenas uma classe ou até que uma das classes demonstre uma clara maioria
não justificando posteriores divisões (gerando nessa situação uma folha, contendo a
classe majoritária). Como é evidente, a classificação consiste apenas em seguir o
49
caminho ditado pelos sucessivos testes colocados ao longo da árvore até que seja
encontrada uma folha que conterá a classificação correspondente (FONSECA, 1994).
Um dos parâmetros de entrada para a determinação da árvore de decisão é o número
mínimo de amostras que a folha deve conter no final da classificação. Quanto menor o
número de amostras em cada folha, maior será o número de regras de decisão. O
objetivo é encontrar uma árvore que classifique corretamente o maior número de
amostras e que a sua regra de decisão seja simples.
A árvore de decisão pode ser analisada pelo especialista e, se necessário, pode ser
modificada, para então ser convertida em regras que formam a base de conhecimento de
um sistema. Cada caminho da raiz até a folha corresponde a uma regra de decisão ou
classificação.
50
CAPÍTULO 4
MATERIAIS
4.1 Área de estudo
O Estado de Minas Gerais localiza-se na região Sudeste do Brasil (Figura 4.1) e é
dividido politicamente entre 853 municípios numa área de aproximadamente 590.000
km2, com população aproximada 18 milhões de habitantes que vivem sob clima tropical
(IBGE, 2006). A Figura 4.1 mostra área de estudo, que corresponde a todos os
municípios do Estado de Minas Gerais.
FIGURA 4.1 – Mapa da divisão política do Estado de Minas Gerais.
Em Minas Gerais a distribuição da esquistossomose mansoni não é regular,
intercalando-se em áreas de maior prevalência com outras onde a transmissão é baixa ou
nula. A doença é endêmica nas regiões norte (compreendendo as zonas do Médio São
Francisco e Itacambira), oriental e centro (zonas do Alto Jequitinhonha, Metalúrgica,
Oeste e Alto São Francisco). Os maiores índices de infecção são encontrados nas
regiões nordeste e leste do Estado que compreendem as zonas do Mucuri, Rio Doce e da
Mata (CARVALHO et al., 2005; CARVALHO et al., 1987; PELLON E TEIXEIRA,
1950).
51
4.2 Variáveis utilizadas
Os dados correspondentes à prevalência da esquistossomose foram cedidos pela
Secretaria de Estado de Saúde de Minas Gerais e são utilizados como sendo variável
dependente para a construção do modelo de regressão e para o desenvolvimento das
regras de classificação da árvore de decisão. A Figura 4.2 apresenta distribuição
espacial da prevalência da doença no Estado de Minas Gerais.
FIGURA 4.2 – Prevalência da Esquistossomose (1984-2005).
Fonte: Secretaria da Saúde de Minas Gerais.
Segundo a Secretaria de Estado de Saúde de Minas Gerais, existem 197 municípios com
informação positiva de prevalência da esquistossomose. Estes municípios estão em
verde, amarelo e vermelho na Figura 4.2. Nesta Figura também são apresentados os 304
municípios indenes, em azul claro, que foram cedidos quando os modelos de risco já
estavam prontos e por este motivo esses municípios foram usados, neste trabalho,
apenas para a validação dos modelos.
Nos estudos que visam determinar a prevalência de uma doença em uma população
específica, o coeficiente de prevalência (Equação 4.1) corresponde à quantidade de
pessoas afetadas pela doença no momento da investigação (ou coleta de dados), em
relação à população total no momento considerado (ROZENFELD, 2000).
Prev C =
quantidade de pessoas afetadas pela doença no momento
população total no momento considerado
52
(4.1)
É importante ressaltar que os dados de prevalência utilizados neste trabalho são
coletados ao longo dos anos de 1984 a 2005. Os dados são uma média dos casos
positivos da doença em relação à quantidade de exames realizados, sendo que os
exames são feitos em no mínimo 80% da população do município (DRUMMOND,
2006). Desse modo, a prevalência da esquistossomose admitida neste trabalho é:
Prev =
quantidade de casos da doença
população examinada
(4.2)
Na revisão bibliográfica, verificou-se a produção de estudos semelhantes ao proposto
neste trabalho na China, na Etiópia, e no Brasil (Bahia e Minas Gerais), e todos eles
elegem como variáveis significativas as variáveis de SR (vegetação, variação de
temperatura, entre outras) e utilizam um SIG.
Portanto, para explicar a prevalência da doença, a análise conterá variáveis extraídas de
SR (obtidas pelos sensores MODIS e SRTM), variáveis climáticas e variáveis
socioeconômicas, além das variáveis de caracterização da vizinhança. A Tabela 4.1
mostra o número de variáveis de cada tipo.
TABELA 4.1 – Número de variáveis explicativas.
Variáveis explicativas
Numero de Variáveis
SR
22
Climáticas
6
Socioeconômicas
34
Vizinhança
24
Total
86
4.2.1 Variáveis de Sensoriamento Remoto
Para determinar as variáveis de SR, oriundas do sensor MODIS, foram usadas quatro
imagens (h14v10, h14v11, h13v10 e h13v11) de duas datas, uma no verão e outra no
inverno (17/01/2002 e 28/07/2002). As oito imagens foram reprojetadas através do
software MODIS Reprojection Tool. Todos os demais processamentos foram realizados
53
nos softwares SPRING3, ENVI e ArcGis, em ambiente Windows (GUIMARÃES et al.,
2005a).
Para cada data foram usadas as variáveis da banda azul (Blue), vermelho (Red),
infravermelho próximo (NIR), e infravermelho médio (MIR), os índices de vegetação
melhorado (EVI), índice de vegetação da diferença normalizada (NDVI), e os índices
derivados do modelo linear de mistura espectral, vegetação (Veg), solo (Solo) e sombra
(Somb). Maiores informações sobre os cômputos envolvidos para o cálculo desses
índices podem ser obtidos em Guimarães et. al. (2005a; 2005b).
As variáveis advindas do SRTM foram obtidas durante uma missão de 11 dias em
fevereiro de 2000, que reuniu dados topográficos (elevação) da superfície da Terra
usando técnicas de interferometria. Nessa técnica, duas imagens da mesma área são
obtidas de pontos diferentes, a diferença entre as duas imagens permite determinar a
elevação do terreno (NASA, 2006).
Foram usadas quatro variáveis derivadas do SRTM: Modelo digital de elevação (DEM);
declividade (Dec), derivada do DEM e outras duas com informações hidrográficas,
obtida através do mapa de acumulação hídrica (que mede em cada ponto de uma bacia
hidrográfica, os caminhos possíveis que a água pode transcorrer ao atingir esse
determinado ponto) gerado a partir do DEM (MOURA et al., 2005), a média de
acumulação hídrica (AH1), e a mediana da acumulação hídrica (AH2).
As dezoito variáveis derivadas do MODIS e as variáveis DEM, Dec e o mapa de
acumulação hídrica, derivadas do sensor SRTM foram obtidas no projeto de 2003
apoiado pela FAPEMIG (processo: 1775/03). A Tabela 4.2 indica as variáveis de
Sensoriamento Remoto, suas descrições e os sensores.
3
SPRING é um SIG no estado-da-arte com funções de processamento de imagens, análise espacial,
modelagem numérica de terreno e consulta a bancos de dados espaciais. Fonte:
http://www.dpi.inpe.br/spring/portugues/index.html
54
Variável
TABELA 4.2 – Variáveis de Sensoriamento Remoto.
Descrição
Sensor
Blue_V
Banda azul no Verão
MODIS
Blue_I
Banda azul no Inverno
MODIS
Red_V
Banda vermelho no Verão
MODIS
Red_I
Banda vermelho no Inverno
MODIS
NIR-V
Banda infravermelho próximo no Verão
MODIS
NIR-I
Banda infravermelho próximo no Inverno
MODIS
MIR-V
Banda infravermelho médio no Verão
MODIS
MIR-I
Banda infravermelho médio no Inverno
MODIS
EVI-V
Índice de vegetação melhorado no Verão
MODIS
EVI-I
Índice de vegetação melhorado no Inverno
MODIS
NDVI-V
Índice de vegetação da diferença normalizada no Verão
MODIS
NDVI-I
Índice de vegetação da diferença normalizada no Inverno
MODIS
Veg-V
Vegetação no Verão, derivada do Modelo de Linear de Mistura Espectral
MODIS
Veg-I
Vegetação no Inverno, derivada do Modelo de Linear de Mistura
Espectral
MODIS
Solo-V
Solo no Verão, derivada do Modelo de Linear de Mistura Espectral
MODIS
Solo-I
Solo no Inverno, derivada do Modelo de Linear de Mistura Espectral
MODIS
Somb-V
Sombra no Verão, derivada do Modelo de Linear de Mistura Espectral
MODIS
Somb-I
Sombra no Inverno, derivada do Modelo de Linear de Mistura Espectral
MODIS
DEM
Modelo digital de elevação do SRTM
SRTM
Dec
Declividade do terreno do SRTM
SRTM
AH1
Média da quantidade de água que pode existir no município – calcula a
partir do DEM
SRTM
AH2
Mediana da quantidade de água que pode existir no município – calculada
a partir do DEM
SRTM
4.2.2 Variáveis climáticas
As variáveis climáticas usadas foram: média da precipitação acumulada (Prec), média
da temperatura mínima (Tmin) e média da temperatura máxima (Tmax), das épocas do
verão (período de 17/01 a 01/02/2002) e do inverno (período de 28/07 a 12/08/2002).
55
Esses dados foram coletados através das plataformas de coletas de dados (PCD), obtidas
do CPTEC/INPE, e estão interpolados em formato binário na resolução de 28 x 28 km e
para a sua utilização, (GUIMARÃES, 2005) usou o software GRADs4.
As seis variáveis climáticas foram determinadas durante o projeto de 2003 e são
utilizadas nesse trabalho. A Tabela 4.3 descreve as variáveis climáticas e suas fontes.
Variável
TABELA 4.3 – Variáveis Climáticas.
Descrição
Fonte
Prec-V
Precipitação acumulada média do verão
CPTEC/INPE
Prec-I
Precipitação acumulada média do inverno
CPTEC/INPE
Tmin-V
Temperatura mínima média do verão
CPTEC/INPE
Tmin-I
Temperatura mínima média do inverno
CPTEC/INPE
Tmax-V
Temperatura máxima média do verão
CPTEC/INPE
Tmax-I
Temperatura máxima média do inverno
CPTEC/INPE
4.2.3 Variáveis socioeconômicas
As variáveis socioeconômicas foram obtidas do Sistema Nacional de Indicadores
Urbanos (SNIU). Os índices de desenvolvimento humano (IDH), educação (IDHE),
longevidade (IDHL), renda (IDHR) são dos anos de 1991 e 2000. Os dados referentes à
característica da família, saneamento-esgoto, saneamento-água e situação por domicílio
são do ano 2000.
Os dados sobre a renda dos chefes de família, característica da família, são:
porcentagem de chefes de família: sem rendimentos (SemRen); com renda inferior a um
salário mínimo (RenInfsm); com renda entre um e cinco salários mínimos (Ren1e5sm);
com renda entre cinco e dez salários mínimos (Ren5e10sm); com renda entre dez e
quinze salários mínimos (Ren10e15sm); com renda superior a quinze salários mínimos
(RenSup15sm).
Os dados sobre os anos de estudo do responsável pelo domicilio, característica da
família, referem-se à porcentagem de pessoas responsáveis por domicílios: sem ou com
4
O GRADs é utilizado para a visualização e manipulação dos dados metereológicos e também gera
arquivos no formato ASCII.
56
menos de um ano de estudo (Est1); com um a três anos de estudo (Est1e3); com quatro
a sete anos de estudo (Est4e7); com oito a dez anos de estudo (Est8e10); com onze a
quinze anos de estudo (Est11e15); com mais de quinze anos de estudo (EstSup15); com
estudo não determinado (EstNãoDet).
Os dados de saneamento-esgoto referem-se à porcentagem de domicílios com banheiro
ligados a: rio ou lago (SanRioLago); vala (SanVala); fossa rudimentar (SanFossaR);
fossa séptica (SanFossaS); rede geral (SanRede); outro tipo de esgotamento (SanOutro);
e porcentagem de domicílios com banheiro (ComSan) e sem banheiro (SemSan).
Os dados de saneamento-água, forma de acesso a água dos domicílios, referem-se à
porcentagem de domicílios: com acesso a água através da rede geral de abastecimento
(AguaRede); com acesso a água através de poço ou nascente (AguaPoçNasc); com outra
forma de acesso a água (AguaOutro).
Os dados da situação por domicílio se referem a porcentagem de domicílios que estão
na zona rural (ZRural) e na zona urbana (ZUrb).
Os IDHs foram também utilizados no projeto da FAPEMIG em 2003. A Tabela 4.4
indica as siglas usadas neste trabalho para as variáveis socioeconômicas, suas descrições
e suas fontes.
Variável
TABELA 4.4 – Variáveis socioeconômica.
Descrição
Fonte
IDH_91
Índice de desenvolvimento humano do ano de 1991
(SNIU, 2005)
IDH_00
Índice de desenvolvimento humano do ano de 2000
(SNIU, 2005)
IDHR_91
Índice de desenvolvimento humano de Renda do ano de 1991
(SNIU, 2005)
IDHR_00
Índice de desenvolvimento humano de Renda do ano de 2000
(SNIU, 2005)
IDHL_91
Índice de desenvolvimento humano de Longevidade do ano de 1991
(SNIU, 2005)
IDHL_00
Índice de desenvolvimento humano de Longevidade do ano de 2000
(SNIU, 2005)
IDHE_91
Índice de desenvolvimento humano de Educação do ano de 1991
(SNIU, 2005)
IDHE_00
Índice de desenvolvimento humano de Educação do ano de 2000
(SNIU, 2005)
SemRen
Porcentagem de chefe de família sem rendimentos
(SNIU, 2005)
RenInfsm
Porcentagem de chefe de família com renda inferior a um salário mínimo
(SNIU, 2005)
(Continua)
57
TABELA 4.4 – Conclusão.
Variável
Descrição
Fonte
Ren1e5sm
Porcentagem de chefe de família com renda entre um e cinco salários
mínimos
(SNIU, 2005)
Ren5e10sm
Porcentagem de chefe de família com renda entre cinco e dez salários
mínimos
(SNIU, 2005)
Ren10e25sm
Porcentagem de chefe de família com renda entre dez e quinze salários
mínimos
(SNIU, 2005)
RenSup15sm
Porcentagem de chefe de família com renda superior a quinze salários
mínimos
(SNIU, 2005)
Est1
Porcentagem de pessoas responsáveis por domicílios sem ou com menos
de um ano de estudo
(SNIU, 2005)
Est1e3
Porcentagem de pessoas responsáveis por domicílios com um a três anos
de estudo
(SNIU, 2005)
Est4e7
Porcentagem de pessoas responsáveis por domicílios com quatro a sete
anos de estudo
(SNIU, 2005)
Est8e10
Porcentagem de pessoas responsáveis por domicílios com oito a dez anos
de estudo
(SNIU, 2005)
Est11e15
Porcentagem de pessoas responsáveis por domicílios com onze a quinze
anos de estudo
(SNIU, 2005)
EstSup15
Porcentagem de pessoas responsáveis por domicílios com mais de quinze
anos de estudo
(SNIU, 2005)
EstNãoDet
Porcentagem de pessoas responsáveis por domicílios com estudo não
determinado
(SNIU, 2005)
SanRioLago
Porcentagem de domicílios com banheiro ligados a rio ou lago
(SNIU, 2005)
SanVala
Porcentagem de domicílios com banheiro ligados a vala
(SNIU, 2005)
SanFossaR
Porcentagem de domicílios com banheiro ligados a fossa rudimentar
(SNIU, 2005)
SanFossaS
Porcentagem de domicílios com banheiro ligados a fossa séptica
(SNIU, 2005)
SanRede
Porcentagem de domicílios com banheiro ligados a rede geral
(SNIU, 2005)
SanOutro
Porcentagem de domicílios com banheiro ligados a outro tipo de
esgotamento
(SNIU, 2005)
ComSan
Porcentagem de domicílios com banheiro
(SNIU, 2005)
SemSan
Porcentagem de domicílios sem banheiro
(SNIU, 2005)
AguaRede
Porcentagem de domicílios com acesso a água através da rede geral de
abastecimento
(SNIU, 2005)
AguaPoçNasc
Porcentagem de domicílios com acesso a água através de poço ou
nascente
(SNIU, 2005)
AguaOutra
Porcentagem de domicílios com outra forma de acesso a água
(SNIU, 2005)
ZRural
Porcentagem de domicílios da zona rural
(SNIU, 2005)
ZUrb
Porcentagem de domicílios da zona urbana
(SNIU, 2005)
58
4.2.4 Variáveis de caracterização de vizinhança
A Tabela 4.5 apresenta a descrição das variáveis de caracterização da influência de
vizinhança desenvolvidas. Essas variáveis foram determinadas usando alguns dados do
ano de 2000 obtidos, como visto anteriormente, do SNIU juntamente com os dados de
acumulação hídrica. A metodologia para o uso dos dados do SNIU e da acumulação
hídrica está descrita na seção 5.1, do capítulo 5, juntamente com a metodologia para a
obtenção das variáveis de caracterização da influência de vizinhança.
TABELA 4.5 – Variáveis de caracterização da influência de vizinhança.
Descrição
Variável
Variáveis de caracterização da influência de vizinhança quanto ao acesso à água
HomoRede
Índice que mede a homogeneidade de condições, entre municípios vizinhos, de
domicílios quanto ao acesso de água através da rede geral de abastecimento
HomoOutro
Índice que mede a homogeneidade de condições, entre municípios vizinhos, de
domicílios quanto ao acesso de água através de outro tipo de abastecimento (ex. poço,
nascente, entre outros)
DispRede
Índice que mede a disparidade de condições entre os domicílios do município de
referência que têm acesso à água através da rede geral de abastecimento, e os
domicílios de municípios vizinhos que têm acesso à água através de outro tipo de
abastecimento
DispOutro
Índice que mede a disparidade de condições entre os domicílios do município de
referência que têm outro tipo de acesso, e os domicílios de municípios vizinhos que
têm acesso à água através da rede geral de abastecimento
Variáveis de caracterização da influência de vizinhança quanto à existência ou não de banheiro
HomoCBan
Índice que mede a homogeneidade de condições, entre municípios vizinhos, de
domicílios quanto à existência de banheiro
HomoSBan
Índice que mede a homogeneidade de condições, entre municípios vizinhos, de
domicílios quanto a não existência de banheiro
DispCBan
Índice que mede a disparidade de condições entre os domicílios do município de
referência que possuem banheiro, e os domicílios de municípios vizinhos que não
possuem banheiro
DispSBan
Índice que mede a disparidade de condições entre os domicílios do município de
referência que não possuem banheiro, e os domicílios de municípios vizinhos que
possuem banheiro
Variáveis de caracterização da influência de vizinhança quanto à zona de residência
HomoRural
Índice que mede a homogeneidade de zona de residência, entre municípios vizinhos,
de domicílios que estão na zona rural
HomoUrb
Índice que mede a homogeneidade de zona de residência, entre municípios vizinhos,
de domicílios que estão na zona urbana
(Continua)
59
TABELA 4.5 – Conclusão.
Descrição
Variável
DispRural
Índice que mede a disparidade entre os domicílios do município de referência que
estão na zona rural, e os domicílios de municípios vizinhos que estão na zona urbana
DispUrb
Índice que mede a disparidade entre os domicílios do município de referência, que
estão na zona urbana e os domicílios de municípios vizinhos, que estão na zona rural
Variáveis de caracterização da influência de vizinhança quanto ao nível de instrução
HomoSEst
Índice que mede a homogeneidade de instrução do responsável pelo domicílio, entre
municípios vizinhos, que não possui instrução ou com menos de três anos de estudo
HomoCEst
Índice que mede a homogeneidade de instrução do responsável pelo domicílio, entre
municípios vizinhos ,que possui acima de oito anos de estudo
DispSEst
Índice que mede a disparidade entre os domicílios do município de referência, cujos
responsáveis não possuem instrução ou possuem até três anos de estudo e os
domicílios de municípios vizinhos, cujos responsáveis possuem acima de oito anos de
instrução
DispCEst
Índice que mede a disparidade entre os domicílios do município de referência, cujos
responsáveis possuem acima de oito anos de instrução e os domicílios de municípios
vizinhos, cujos responsáveis não possuem instrução ou possuem até três anos de
estudo
Variáveis de caracterização da influência de vizinhança quanto à renda
HomoBRen
Índice que mede a homogeneidade de renda do chefe de família, entre municípios
vizinhos, que não possui renda ou que possua rendimentos até 1 salário mínimo
HomoARen
Índice que mede a homogeneidade de renda do chefe de família, entre municípios
vizinhos, que possui renda acima de 15 salários mínimos
DispBRen
Índice que mede a disparidade entre os domicílios do município de referência, cujos
chefes de família não possuem renda ou possuem até um salário mínimo de
rendimentos e os domicílios de municípios vizinhos, cujos chefes de família possuem
acima de 15 salários mínimos
DispARen
Índice que mede a disparidade entre os domicílios do município de referência, cujos
chefes de família possuem renda acima de 15 salários mínimos e os domicílios de
municípios vizinhos, cujos chefes de família não possuem renda ou possuem até um
salário mínimo de rendimentos
Variáveis de caracterização da influência de vizinhança quanto a potencial existência de água
HomoMenorAH
Índice que mede a homogeneidade de áreas, entre municípios vizinhos, que possuem
menor área de acumulação hídrica.
HomoMaiorAH
Índice que mede a homogeneidade de áreas, entre municípios vizinhos, que possuem
maior área de acumulação hídrica.
DispMenorAH
Índice que mede a disparidade entre a menor área de acumulação hídrica do município
de referência, e a maior área de acumulação hídrica dos municípios vizinhos
DispMaiorAH
Índice que mede a disparidade entre a maior área de acumulação hídrica do município
de referência, e a menor área de acumulação hídrica dos municípios vizinhos
60
4.3 Softwares utilizados
Para a determinação das variáveis de caracterização de vizinhança, foram utilizados os
softwares: SPRING 4.3, Excel 2003, Segreg 5.0 e Terra View 3.1.3. O software Terra
View 3.1.3 também foi usado para gerar as regiões do Estado de Minas Gerias e os
mapas temáticos.
Os modelos de regressão linear foram desenvolvidos nos softwares Statistica 6.0 e
Excel 2003.
A árvore de decisão foi construída usando o software Waikato Environment for
Knowledge Analysis (Weka) e Excel 2003.
61
62
CAPÍTULO 5
METODOLOGIA
Neste capítulo é apresentada a metodologia utilizada neste trabalho que se baseia no
diagrama mostrado na Figura 5.1.
FIGURA 5.1 – Diagrama da metodologia empregada.
A área de estudo e as variáveis (de SR, climáticas, socioeconômicas e de caracterização
de vizinhança) foram definidas no capítulo anterior. Cada uma das etapas seguintes é
descrita em detalhes a seguir, começando pela metodologia para determinação das
variáveis de caracterização de vizinhança.
5.1 Variáveis de caracterização de vizinhança
As variáveis de caracterização de vizinhança consideram o arranjo espacial da
população e aponta disparidades sócio-ambietais ao longo do Estado. Nesse trabalho a
unidade de área utilizada são os municípios do Estado de Minas Gerais. Cada um dos
853 municípios, considerados na análise foi associado a uma área com características
63
específicas, que foram expressas por sua “intensidade populacional local”. A
intensidade populacional local de cada município e a intensidade populacional local de
cada grupo populacional pode ser calculada utilizando o software Segreg 5.
A seleção das variáveis consideradas para a composição dos grupos populacionais
utilizados nos cálculos dos índices de exposição e isolamento é fruto do diálogo com
especialistas da área de saúde e constituem-se variáveis:
•
de acesso de água dos domicílios, pela rede geral ou outro tipo de acesso, tais
como: nascente, poço, rio, entre outros;
•
de existência ou não de banheiro nos domicílios;
•
de domicílio da zona rural e da zona urbana;
•
do nível de instrução do responsável pelo domicilio, com até três anos de estudo
ou com acima de oito anos de estudo;
•
de renda dos chefes de família, com rendimentos abaixo de um salário mínimo
ou com rendimentos acima de 15 salários mínimos;
•
e a potencial existência de água, menor área de acumulação hídrica e maior área
de acumulação hídrica.
Esses fatores sócio-ambientais têm relação direta ou indireta com a contaminação dos
corpos d’água pelas fezes do homem infectado e com a exposição do homem ao
possível contágio. E assim como outras doenças parasíticas, para a transmissão da
esquistossomose não só é importante que todos os domicílios do município possuam
infra-estrutura adequada. Da mesma forma, é essencial que os municípios vizinhos
possuam o mínimo de condições de infra-estrutura, para que a doença não ocorra num
dado município.
Deste modo os dados usados para a geração das variáveis de caracterização de
vizinhança são justificados. Porém é importante salientar que para usar os dados de
64
acumulação hídrica, foi feito um pré-processamento no SPRING, dos dados da grade
acumulação hídrica, cujos valores variam entre 0,2719 e 11,30, no qual foi gerado um
mapa temático com duas classes. Com esse mapa e o mapa que representa a divisão
política do Estado de Minas Gerais, foi possível gerar uma tabela, onde a área total de
cada município pôde ser dividida em duas classes. A área do município correspondente
à classe do intervalo entre 0,27 e 6,15 foi considerada como menor área de acumulação
hídrica e a área correspondente à classe de 6,15 até 11,30, como maior área de
acumulação hídrica. Estes são os dois grupos de áreas.
Cabe também ressaltar que a unidade de medida usada por (FEITOSA, 2005) era a
população (número de pessoas). Para determinar as variáveis de caracterização de
vizinhança quanto ao acesso a água, a existência de banheiro e a zona de residência,
propõe-se estender o uso dos índices de agregação para variáveis cuja unidade de
medida é domicílios (número de domicílios), abstraindo o sentido original dos índices
espaciais, passando a interpretar “grupos populacionais” como “grupos de domicílios”.
O mesmo ocorre para as variáveis de caracterização de vizinhança quanto à potencial
existência de água, cuja unidade de medida é área (em km2), interpretando “grupos
populacionais” como “grupos de áreas”.
As variáveis de caracterização de vizinhança foram calculadas através do cálculo dos
índices espaciais de exposição e isolamento que foram determinados usando o plugin
desenvolvido por Thomas Koschitzki e Marcelino P. S. Silva exposure index e isolation
index (spatial segregation), para o ArcView 3.1.
Para verificar a relação das variáveis de caracterização de vizinhança com a prevalência
da esquistossomose através da correlação, foram usados os 197 municípios com
informação sobre a doença.
5.2 Regionalização
Como a extensão do Estado de Minas Gerais não é pequena e pelo fato do Estado
possuir municípios com características diferentes, pode não ser coerente generalizar um
modelo a fim de predizer a esquistossomose para todo o Estado. Dessa forma, é viável
65
utilizar um método para dividir o Estado em regiões espaciais estabelecendo áreas mais
homogêneas em relação à variância de algumas das variáveis.
O algoritmo Skater, implementado no software TerraView 3.1.3, foi adotado para
particionar o Estado de Minas Gerais em regiões espaciais usando os 853 polígonos que
representam a divisão política do Estado de Minas Gerais, juntamente com quatorze
variáveis selecionadas por demonstrarem maior variação na distribuição espacial.
Dessas variáveis, três são referentes ao tipo de abastecimento de água (porcentagem de
domicílios com abastecimento de água através de poço ou nascente, da rede geral ou
outra forma), quatro são referentes ao tipo de saneamento (porcentagem de domicílios
sem banheiro, com esgoto ligado a rio ou lago, com esgoto ligado a fossa rudimentar e
com esgoto ligado a rede geral), quatro são sobre a renda de chefe de família
(porcentagem de chefe de família sem rendimentos, com renda inferior a um salário
mínimo, com renda entre um e cinco salários mínimos e com renda entre cinco e dez
salários mínimos) e três são sobre o nível de escolaridade do responsável pelo domicílio
(% de responsável pelo domicílio sem ou com menos de um ano de estudo, com quatro
a sete anos de estudo e com oito a 10 anos de estudo).
5.3 Regressão linear múltipla
Para geração do modelo de regressão, adotou-se um guia de procedimentos especificado
na Figura 5.2 que prevê seis fases.
A primeira fase prevê a junção dos dados em uma forma matricial e preparação das
variáveis independentes e da variável dependente. Foram utilizadas 86 variáveis
independentes (22 de SR, 6 climáticas, 34 socioeconômicas e 24 de caracterização da
vizinhança) com 197 amostras. A variável dependente usada foi a prevalência da doença
que sofreu uma transformação logarítmica para obter uma melhora, no caso,
significativa da sua correlação com as variáveis independentes. Nesta fase as amostras
foram divididas em dois conjuntos, para a construção e para a validação do modelo.
66
FIGURA 5.2 – Fases de uma análise de regressão.
Fonte: Neter et al. (1996).
Na segunda fase, foi feita a determinação das variáveis independentes. Usando o
conjunto de amostras de construção foi feita a redução do número de variáveis
independentes. Esse procedimento foi realizado no software Statistica 6.0. As variáveis
independentes pouco correlacionadas com a prevalência da doença foram descartadas,
assim como as variáveis independentes que possuam correlação entre si superior a 0,8.
A terceira fase é a geração dos possíveis modelos de regressão. Para a escolha do
melhor modelo foi efetuado o procedimento best subset e através do critérios R2 foi
definido o número e o melhor conjunto de variáveis (NETER et al., 1996). Este
procedimento foi realizado no Statistica 6.0.
Após a escolha do melhor modelo partiu-se para a quarta etapa, em que foram
realizados vários testes especificados no item 3.3 para verificar: se as interações entre as
variáveis melhoram o modelo, se os resíduos do modelo são homocedásticos e se eles
possuem distribuição normal, e se existem outliers que influenciam o modelo.
67
A quinta fase é a validação do modelo, que consiste em avaliar os resultados obtidos
perante amostras que não foram utilizadas na geração do modelo. Para tanto, são
comparados valores relativos aos modelos de regressão propostos com os valores dos
modelos concebidos com amostras que não foram utilizadas no primeiro procedimento.
Para testar a robustez da estimativa do modelo global e regional além da utilização das
amostras de validação, foram usados 304 municípios indenes, em que não ocorreu a
doença. Usando os modelos, estes municípios indenes deveriam ser classificados como
de prevalência baixa (valores abaixo de 5%), comprovando que os modelos são
robustos, para as prevalências baixas.
Por fim, a ultima fase prevê a análise do modelo, através da exatidão, da análise da
distribuição dos resíduos e desvio padrão do modelo.
5.4 Classificação Imprecisa
Usando a prevalência estimada do modelo construído e validado e o desvio padrão do
modelo foram gerados cenários otimistas e pessimistas através do limite inferior e
superior de intervalos de confiança para diferentes níveis de significância. Os níveis de
significância são usados neste trabalho, como uma adaptação do parâmetro α, utilizado
por Drummond (2007).
TABELA 5.1 – Resultados possíveis da classificação imprecisa.
Limite Inferior
Limite Superior
Classificação
Baixa
Baixa
Baixa
Baixa
Média
Baixa/Média
Baixa
Alta
Baixa/Alta
Média
Média
Média
Média
Alta
Média/Alta
Alta
Alta
Alta
Para cada nível de confiança os limites inferior e superior foram classificados como
prevalência baixa (0,001 a 5%), média (>5 a 15%) ou alta (>15%), resultando em duas
classificações, uma para limite inferior e uma para limite superior. Usando estas duas
classificações, foram geradas as classificações imprecisas para cada um dos 19 níveis de
68
confiança, de 5% a 95% em intervalos de 5%. Conforme o valor do nível de confiança
diminui, a classificação imprecisa varia de mais correta e imprecisa à mais precisa com
maior taxa de erro. As 19 classificações imprecisas foram geradas de acordo com a
Tabela 5.1.
Todas as classificações imprecisas foram comparadas com a classificação da
prevalência observada, gerando acertos precisos e imprecisos, assim como erros
precisos e imprecisos conforme Tabela 5.2.
TABELA 5.2 – Classificação imprecisa vs. classificação da prevalência observada.
Acertos
Erros
Classificação
Totalmente
Impreciso
Classe obs.
Preciso
Impreciso
Preciso
Impreciso
Baixa
Baixa
Média
Média Baixa/Média ou Média/Alta Baixa ou Alta
Alta
Alta
Baixa/Média
Média ou Alta
Média/Alta
Baixa ou Média
Média/Alta
Baixa/Alta
-
Baixa/Alta
Média/Alta
Baixa/Alta
A segunda coluna da Tabela 5.2 representa o número de amostras que são classificadas
perfeitamente, ou seja, o numero de amostras classificadas de maneira correta e precisa.
Quando as amostras são classificadas corretamente em classes compostas (na segunda
coluna) significa que elas são classificadas com incerteza, portanto as classificações são
corretas e imprecisas. Os erros de classificação podem ser precisos ou imprecisos: serão
precisos se as amostras forem classificadas incorretamente numa classe única (ou baixa,
ou média ou alta) e serão imprecisos se as amostras forem classificadas em classe
composta (média/alta). A classificação será totalmente imprecisa quando as amostras
forem classificadas como baixa/alta, não trazendo nenhuma informação ao usuário.
Para eleger uma boa classificação imprecisa foi avaliada a precisão e a confiança da
classificação a cada nível de confiança. Com esta finalidade, foram gerados dois
gráficos, um para as amostras de construção e um para as amostras de validação, com os
acertos e erros, precisos e imprecisos. Através destes gráficos foi possível verificar o
comportamento das classificações imprecisas e eleger o nível de confiança, e ao mesmo
tempo verificar uma classificação imprecisa, que apresente o grau de imprecisão e
confiança mais adequado.
69
Neste trabalho, definiu-se como melhor nível de confiança, aquele que contiver o maior
número de amostras classificadas corretamente, com um número pequeno de amostras
classificadas incorretamente e que possua no máximo 5% de amostras classificadas
como totalmente imprecisa.
Após a escolha do melhor nível de confiança foram gerados os mapas de risco com o
limite inferior e superior para os modelos global e regional. Desta foram, os gestores
podem passar a contar com três mapas de risco (com a classificação do limite inferior,
com a classificação da estimava da doença, e com a classificação do limite superior)
para o auxílio na tomada de decisão. Estes cenários podem ajudar no controle da
doença, pois os municípios que estiverem classificados como prevalência alta (acima de
15%) no cenário mais otimista (limite inferior), seriam os locais que podem ser
considerados mais adequados para o controle da doença. Em seguida os municípios
onde supostamente deve-se alocar os recursos são os classificados como prevalência
alta mostrados no mapa de risco com a estimativa da doença. E por último, os
municípios que devem ser atendidos são os classificados como prevalência alta no
cenário menos otimista (limite superior).
Com o nível de confiança escolhido, foi definida a classificação imprecisa para os
modelos global e regional, gerando mais um mapa temático para cada modelo. As
classificações imprecisas também foram comparadas com a classificação da prevalência
observada para verificação dos erros de cada classificação e para a comparação da
classificação imprecisa do modelo global com a do modelo regional.
A classificação imprecisa, além de trazer para os gestores um mapa de risco com um
nível de confiança definido, mostra a classificação da doença em classes compostas, o
que pode contribuir para a tomada de decisão dos gestores. No entanto este tipo de
classificação também mostra os municípios onde o modelo é totalmente impreciso
(classificação baixa/alta), ou seja, a classificação dos municípios pertencentes a esta
faixa não traz informação aos gestores.
70
5.5 Comparação dos modelos global e regional
Os modelos global e regional foram comparados através dos R2, das matrizes de
confusão, da exatidão global e dos índices kappa, das amostras de construção e das
amostras de validação de cada modelo. Quanto maior R2, melhor o modelo. As matrizes
de confusão mostram os erros e os acertos na classificação, e também a separabilidade
das classes, quanto menor erro em cada classe, melhor a classificação do modelo. A
exatidão global é a porcentagem de amostras classificadas corretamente; quanto maior
esse valor, melhor o modelo. O índice kappa é a medida de concordância entre o
observado (classe) e o predito (classificação) e varia entre -1 e 1, sendo que, quanto
mais próximo de 1, melhor a classificação.
Cabe ressaltar que o modelo regional possui mais de um modelo de regressão, então foi
necessário calcular o R2 total do modelo regional usando os a soma dos quadrados dos
resíduos de todos os modelos que formam o modelo regional pela soma dos quadrados
do valor estimado, para as 142 amostras de construção.
Também foi avaliada a precisão do modelo, através do desvio padrão e o resíduo do
modelo. Dos 853 municípios, o modelo que apresentou maior número de amostras com
desvio padrão baixo (abaixo de 1,1%), e menor número de amostras com desvio padrão
alto (acima de 1,25%) será considerado o mais preciso. Em relação ao resíduo dos
modelos, das 197 amostras, o modelo que tiver o maior número de amostras com
resíduo baixo, entre -4,99% e 5,00%, e menor número de amostras com resíduo alto,
abaixo de -10,00% ou acima de 10,00%, será considerado o modelo mais preciso.
5.6 Árvore de decisão
Para aplicar a técnica de reconhecimento de padrões foi utilizado o software de domínio
público, denominado Weka, da Universidade de Waikato, Nova Zelândia. O pacote
Weka consiste de uma coleção de algoritmos de aprendizado de máquina para tarefas de
mineração de dados. Pode ser usado para aplicar regras de aprendizado a um conjunto
de dados e analisar a saída para extrair informações a partir dos dados de entrada
(WEKA, 2006).
71
O Weka usa arquivos de dados de treinamento onde devem ser explicitadas quais
variáveis são permitidas para uma relação específica, bem como o tipo de dado de cada
variável (isto é, nominal ou valor numérico). O Weka pode detectar padrões em dados
que podem ser explorados mediante regras. Dos recursos disponíveis, foi usado o
sistema de aprendizado com o algoritmo de indução de árvore de decisão C4.5
desenvolvido por Quinlan e implementado em sua versão para linguagem Java (no
Weka) com o nome J4.8 (WEKA, 2006).
A base de dados usada para gerar a árvore de decisão foram as 86 variáveis explicativas
(as mesma utilizada para a construção do modelo de regressão) juntamente com os
dados da prevalência da doença, que foi usado como variável preditiva. A matriz de
dados foi dividida em arquivos de treinamento e teste. No arquivo de treinamento foram
selecionadas 142 amostras para a definição das regras de decisão. Para o arquivo de
teste foram separadas 55 amostras que foram escolhidas aleatoriamente.
Para a utilização do conjunto de dados foi necessário um pré-processamento a fim de
torná-los compatíveis com o formato da ferramenta utilizada. Além disso, o algoritmo
de classificação requer que a variável a ser explicada seja uma variável nominal; dessa
forma, foi necessário discretizar os dados de prevalência para transformá-los em
variável nominal. Para isso, foi utilizada uma regra simples no Excel, que classificou os
dados de prevalência da doença em três categorias: baixa (0 a 5%); média (>5 a 15%); e
alta (>15%). Essas faixas de classificação podem ser observadas na Figura 4.2.
Para testar a robustez da árvore de decisão para a classificação de prevalência baixa,
foram usados 304 municípios indenes. Usando as regras de classificação da árvore, estes
municípios devem ser classificados como prevalência baixa, comprovando que os
modelos são robustos para esta classificação.
5.7 Comparação dos modelos
Os modelos global e regional foram comparados com a classificação da árvore de
decisão através das matrizes de confusão, da exatidão global e dos índices kappa das
amostras de construção e das amostras de validação de cada modelo.
72
CAPÍTULO 6
RESULTADOS E DISCUSSÕES
Neste capitulo além do resultado das variáveis de caracterização de vizinhança, da
correlação destas variáveis com a prevalência da doença e do resultado da
regionalização, são apresentados os resultados e as discussões das classificações
utilizando regressão linear (global e regional), das classificações imprecisas e da árvore
de decisão, assim como a comparação destes resultados.
6.1 Variáveis de caracterização de vizinhança
Usando os softwares Segreg 5 e o ArcView 3.1 foram geradas as variáveis de
caracterização de vizinhança quanto ao acesso à água, à existência ou não de banheiro, à
zona de residência, ao nível de instrução, à renda e à potencial existência de água,
descritas na Tabela 4.5.
De todas as variáveis de caracterização de vizinhança, somente a variável HomoOutro
(Índice que mede a homogeneidade de condições, entre municípios vizinhos, de
domicílios quanto ao acesso de água através de outro tipo de abastecimento) possui
correlação significativa com a doença a 5% de significância. A 8% de significância,
além da variável HomoOutro, todas as variáveis de caracterização de vizinhança quanto
à potencial existência de água e a variável HomoARen (Índice que mede a
homogeneidade de renda do chefe de família, entre municípios vizinhos, que possui
renda acima de 15 salários mínimos), passam a ser significativas. As correlações das
variáveis com a doença são mostradas na Tabela 6.1.
Para as variáveis de caracterização da influência de vizinhança quanto à água,
HomoRede e HomoOutro, era esperado correlação negativa e positiva, respectivamente,
em relação à prevalência da esquistossomose, o que é confirmado de acordo com a
Tabela 6.1. Também era esperado que a segunda fosse mais correlacionada com a
prevalência da doença do que a primeira. Os coeficientes de correlação dessas variáveis
73
com a doença são estatisticamente diferentes (p= 0,0047). Portanto as duas hipóteses
foram confirmadas.
TABELA 6.1 – Correlação prevalência da doença com variáveis de caracterização da influência
de vizinhança.
Ln(Prev+1)
Ln(Prev+1)
Ln(Prev+1)
HomoRede
-0,1193
HomoCBan
-0,1078
HomoRural
0,0380
HomoOutro
0,1437
HomoSBan
0,0066
HomoURb
-0,1068
DispRede
-0,1185
DispCBan
-0,0681
DispRural
0,0055
DispOutro
0,0422
DispSBan
0,0461
DispUrb
-0,0981
Ln(Prev+1)
Ln(Prev+1)
Ln(Prev+1)
HomoSEst
-0,0568
HomoBRen
0,0046
HomoMenorAH
-0,1290
HomoCEst
-0,0847
HomoARen
-0,1283
HomoMaiorAH
-0,1358
DispSEst
-0,0427
DispBRen
-0,0617
DispMenorAH
-0,1312
DispCEst
-0,0971
DispARen
-0,0635
DispMaiorAH
-0,1341
6.2 Regionalização
Como dito anteriormente, o estado de Minas Gerais é bastante heterogêneo, com
diversos tipos de relevo, com temperatura variando de leste a oeste, ou seja,
características bem definidas em cada região. As características do norte de Minas, por
exemplo, são semelhantes ao Nordeste brasileiro, já o sul é mais densamente habitado e
possui maior número de municípios menores comparada com o norte de Minas. O oeste
e uma parte da região central de Minas são mais ricos e possum IDH mais alto
comparado com o leste de Minas, que além de possuir um IDH mais baixo, apresenta
um saneamento básico mais precário.
Assim a regionalização foi realizada usando a ferramenta Skater do Terra View 3.1.3, a
partir das quatorze variáveis socioeconômicas descritas na seção 5.2 do capítulo
anterior.
Foram testadas regionalizações com diferentes números de regiões e optou-se pela
regionalização com quatro regiões, apresentadas na Figura 6.1. Essa escolha foi feita
devido ao fato das informações da prevalência da esquistossomose estarem distribuídas
74
mais ao leste e norte do Estado (Figura 4.2). Na regionalização com 3 regiões, as
regiões 1 e 2 (Figura 6.1) pertencem à mesma região e como sabe-se que o leste e o
oeste de Minas Gerais possuem características diferentes, descartou-se essa
regionalização. Com 5 regiões, é gerada mais uma região entre a região 2 e 3 (Figura
6.1) com um pequeno número de municípios pertencentes a ela, o que acarretaria a
construção de um modelo não confiável e portanto essa regionalização, com cinco
regiões, também foi descartada.
FIGURA 6.1 – Regionalização do Estado de Minas Gerais.
Na Figura 6.1, a região 1 (em vermelho) contém 370 municípios, sendo que somente 16
deles possuem informações sobre a doença, a região 2 (em rosa), possui 86 municípios
com informações, de um total de 265 municípios, a região 3 (em verde), contém 133
municípios, sendo 58 com informações da doença, já a região 4 (em azul) possui 37
municípios com informações da doença, de um total de 85 municípios.
A Serra do Espinhaço praticamente divide a região 1 e 4 das regiões 2 e 3. A região 2
começa praticamente na bacia do Rio Paraíba e vai até a bacia do Rio Doce. A região 3
abrange o Vale do Jequitinhonha e Vale do Mucuri até a Serra do Espinhaço. A região 4
inclui praticamente toda a bacia do São Francisco na região Norte do Estado.
A Região 1 é constituída das mesorregiões do Alto Paranaíba, do Noroeste de Minas, do
Triângulo Mineiro, do Sul e Sudoeste de Minas. O relevo desta região inclui planaltos,
serras e chapadas, possuindo trechos aplainados, ondulados e depressões. O triângulo
mineiro é uma das mesorregiões mais desenvolvidas do Estado e a economia do restante
75
das mesorregiões é principalmente agrícola, com produção de café, soja, mandioca,
feijão e milho, além da criação de gado.
A região 2 é basicamente constituída pelas mesorregiões da Zona da Mata e do Vale do
Rio Doce. O relevo desta região é rugoso com altos morros e é nesta região que
localiza-se o ponto culminante do Estado, o Pico da Bandeira. A região tem como
atividades econômicas a indústria, o comércio, a agricultura e a pecuária. Originalmente
a cobertura vegetal desta região era a mata atlântica.
A região 3 é constituída principalmente pelas mesorregiões do Vale do Mucuri e Vale
do Jequitinhonha. Esta região é caracterizada pelo baixo desenvolvimento humano,
sendo extremamente carente.
A região 4 é essencialmente constituída pela mesorregião do Norte de Minas Gerais.
Possui características similares às da região nordeste do Estado brasileiro, sendo a
segunda região mais pobre de Minas Gerais (atrás apenas do Vale do Jequitinhonha) o
clima é quente, beirando o semi-árido, formada por planalto atlântico. A economia desta
região é baseada na pecuária e no extrativismo vegetal.
6.3 Análise de Regressão Linear
Através da regressão linear múltipla foram geradas duas modelagens para fazer a
predição da esquistossomose no Estado de Minas Gerais. Para a primeira, denominada
modelo global, um único modelo de regressão é gerado com todas as amostras de
treinamento e este modelo é utilizado para gerar as estimativas para todo o Estado. A
segunda modelagem, denominada modelo regional, é composta por quatro modelos de
regressão, um modelo para cada região do Estado conforme Figura 6.1.
6.3.1 Modelo Global
Para determinar o modelo global foram separadas 142 amostras para a construção e 55
para a validação do modelo. Na Figura 6.2 observa-se as amostras para a construção
(municípios em preto) e as amostras para a validação (municípios em rosa).
76
FIGURA 6.2 – Amostras usadas para a construção e para a validação.
O melhor modelo foi escolhido após a realização do procedimento best subset usando o
critério R2, conforme Figura 6.3.
FIGURA 6.3 – R2 vs.número de variáveis.
Através da Figura 6.3 percebe-se a diferença do R2 dos modelos com mais de cinco
variáveis é pequena. Assim, foi selecionado para a análise o modelo com cinco
variáveis:
ŷ1 = e(-1,76109+0,01051*SanRioLago-0,08096*Dec+0,03447*Veg_I+0,33865*Tmin_V-2.52650*AH2)-1
(1)
Este modelo gerou R2 de 0,394 (R=0,628) e contém as variáveis: SanRioLago,
relacionada com o tipo de esgotamento dos domicílios (esgoto ligado a rio ou lago);
Dec, relacionada com inclinação do terreno; Veg_I, ligada à vegetação, e a variável
Tmin_V, relacionada à temperatura; e a variável AH2, relacionada à quantidade de água
77
que pode existir no município. No modelo, as variáveis Dec e AH2 possuem relação
indireta com a esquistossomose (ou seja, quanto menor o valor destas variáveis, maior a
prevalência da doença), enquanto o restante das variáveis possui relação direta com
doença (ou seja, quanto maior o valor destas variáveis, maior a prevalência). No
entanto, através da Tabela A.1 (Anexa) observa-se que com exceção da variável AH2,
todas as variáveis do modelo possuem correlação positiva com a esquistossomose, ou
seja, a variável Dec, que possui correlação positiva com a doença, é influenciada, no
modelo, pela alta correlação com as outras vaiáveis.
Através desse modelo, foram definidos mais três modelos usando a interação entre as
variáveis:
ŷ2 =e(-2,70745+0,05576*SanRioLago-0,07976*Dec+0,04605*Veg_I+0,34071*Tmin_V-2,15363*AH2-0,00117*SanRioLago*Veg_I)-1
(2)
ŷ2 =e(5,55566+0,01094* SanRioLago -0,10177*Dec-0,17821*Veg_I+0,35225*Tmin_V-8,27139*AH2+0,16718*Veg_I*AH2)-1
(3)
ŷ3 =e(-3,19730+0,01212* SanRioLago +0.07003*Veg_I+0,36304*Tmin_V-2,54189*AH2-0.00299*Dec*Veg_I) -1
(4)
As mesmas relações podem ser encontradas no modelo 2 com R2=0,414 (R= 0,644), no
modelo 3 com R2=0,425 (R= 0,652) e no modelo 4 com R2=0,424 (R= 0,651).
Todos os modelos foram testados quanto à variância dos resíduos e quanto à presença
de outliers e foi aceita a hipótese de que a variância dos resíduos é constante a 5% de
significância, para todos os modelos e que não existe outliers que influenciassem os
modelos.
Os quatro modelos atendem aos requisitos de validação como pode ser visto na Tabela
6.2, pois os valores de MSE e MSPR são próximos e possuem a mesma ordem de
grandeza. Portanto os quatro modelos são estatisticamente aceitáveis para estimar o
risco da prevalência da esquistossomose no Estado de Minas Gerais.
Foi também efetuado o teste de normalidade dos resíduos para os quatro modelos
através do teste de Shapiro e Wilk (1965). Verificou-se que ao nível de significância de
5%, o modelo 1 não possui resíduos normalmente distribuídos. Já nos modelos 2, 3 e 4
os resíduos são normalmente distribuídos, destacando-se o modelo 4, como o melhor
78
modelo por apresentar o nível de significância de 2%. Sendo assim, o modelo 4 descrito
na equação 4 pode ser considerado o mais adequado dos quatro modelos, sendo
escolhido como modelo global.
TABELA 6.2 – Validação dos modelos.
Modelos
MSE
MSPR
1
0,558
0,780
2
0,544
0,773
3
0,534
0,800
4
0,531
0,825
A Tabela 6.3 mostra os coeficientes betas normalizados5, e o valor-p das variáveis
selecionadas para o modelo global, o coeficiente de correlação (R) e o R2. A Tabela 6.3
apresenta as variáveis e seus coeficientes por ordem de importância.
TABELA 6.3 – Coeficientes Betas normalizados e valor-p das variáveis, o coeficiente de
correlação e o R2 do modelo global.
Variáveis
Coeficientes Beta
Valor-p
R
R2
VEG_I
0,8041
0,000002
Dec*VEG_I
-0,7311
0,000286
Tmin_V
0,4170
0,000000
AH2
-0,3521
0,000218
SanRioLago
0,2196
0,012452
0,651
0,424
Através da Tabela 6.3, pode-se perceber que a variável mais importante para o modelo
global é a variável Veg_I e a menos importante é a variável SanRioLago, o que pode
demonstrar que a nível municipal, a vegetação é mais importante do que a existência de
domicílios que têm esgoto ligado ao rio ou lago. Embora as condições de saneamento
seja um fator determinante para a existência da doença, o fato dela ser menos
importante no modelo talvez possa ser justificado, pela modelagem ser feita a nível
municipal, e a informação de saneamento mostra características mais locais.
5
Os coeficientes betas normalizados são usados para facilitar a comparação dos coeficientes de regressão,
visto que as variáveis do modelo possuem unidades diferentes de medida (Neter et. al, 1996). Os maiores
valores de coeficiente Beta indicam as variáveis mais importantes no modelo.
79
A Figura
6.4
mostra os mapas temáticos: da estimativa do risco da prevalência da
esquistossomose através do modelo global (a); do desvio padrão do modelo (b); e do
resíduo do modelo (c).
a)
b)
c)
FIGURA 6.4 – Mapas temáticos (a) do risco da prevalência da esquistossomose estimada através do
modelo 4, (b) do desvio padrão do modelo, e (c) dos resíduos do modelo.
Na Figura 6.4a os municípios em verde, referentes aos valores estimados de prevalência
entre 0 e 5%, são classificados com prevalência baixa, os municípios em amarelo,
referente aos valores estimados de prevalência entre 5 e 15%, são classificados com
prevalência média e os municípios em vermelho, referente aos valores estimados de
prevalência superior a 15%, são classificados com prevalência alta. Essa classificação é
feita conforme registros da Secretaria de Saúde de Minas Gerais. Conforme esta
classificação, das 197 amostras com informação sobre a doença, 47,21% foi classificada
corretamente.
A classificação da prevalência baixa através do modelo global teve como resultado
67,65% de amostras (23 amostras) classificadas corretamente, em relação à classe
80
observada de prevalência baixa (34 amostras). Classificando o conjunto de amostras
indenes, das 304 amostras, 67,11% (204 amostras) foram classificadas corretamente.
Das amostras classificadas erroneamente, aproximadamente 5% (15 amostras) podem
ser justificadas pelo fato que nesses municípios existe informação positiva sobre a
existência de caramujo, ou seja, nesses municípios foram encontrados caramujos que
são suscetíveis ao verme. Como a existência da doença está ligada a existência do
caramujo e o modelo reflete o habitat do caramujo, este pode ser o motivo pelo qual
estes 5% de amostras foram classificadas erroneamente. Com esse resultado, pode-se
concluir que o modelo global é aceitável para a classificação de prevalência baixa.
No mapa do desvio padrão mostrado na Figura 6.4b pode-se observar que os municípios
em lilás, cujos valores do desvio padrão estão na faixa entre 1 e 1,1%, são onde os
modelos são mais precisos.
Na Figura
6.4c
pode ser observado em rosa os municípios onde o modelo é mais exato;
nos municípios em laranja, claro e escuro, os valores preditos são superestimados; já
nos municípios em azul, claro e escuro, os valores preditos são subestimados.
6.3.1.1 Classificação imprecisa para o modelo Global
A estimativa do risco da prevalência da doença e o desvio padrão do modelo global
foram usados para gerar as classificações imprecisas para os 19 níveis de confiança.
Através das classificações imprecisas foram gerados os gráficos para as 142 amostras de
construção e para as 55 amostras de validação. Os gráficos estão apresentados na Figura
6.5.
Nos gráficos mostrados na Figura 6.5, percebe-se comportamentos semelhantes das
classificações para as amostras de construção e de validação. Observa-se também que
ao nível de confiança de 5%, aproximadamente 50% das amostras de construção são
classificadas perfeitamente (curva em rosa) e a medida que o nível de confiança
aumenta, a classificação precisa e correta diminui, chegando a nenhuma amostra com
95% de confiança. O erro preciso segue o mesmo comportamento do acerto preciso.
81
FIGURA 6.5– Gráfico de classificações imprecisas do modelo global para as amostras de
construção (a) e para as amostras de validação (b).
Também a Figura 6.5 a mostra que aproximadamente 80% das amostras de construção
são classificadas corretamente, mas com incerteza, a 55% de confiança. Com o nível de
confiança inferior ou superior a 55% o número de amostras classificadas como corretas
e imprecisas diminui. Em relação à classificação totalmente imprecisa, após o nível de
confiança de 55%, o número de amostras de construção aumenta e o nível de confiança
passa de 0% para aproximadamente 90%, a 95% de confiança.
Como visto na seção 5.4 do capítulo 5, a classificação imprecisa com grau de
imprecisão e confiança mais adequado foi definida como aquela que contiver o maior
número de amostras classificadas corretamente, precisas ou imprecisas (curvas em rosa
e em amarelo da Figura 6.5) com um número pequeno de amostras classificadas
incorretamente, precisas ou imprecisas (curvas em azul e roxo da Figura 6.5) e que
possua no máximo 5% de amostras classificadas como totalmente imprecisa (curva em
marrom da Figura 6.5). Assim, a classificação mais adequada pode ser encontrada com
o nível de confiança entre 25% e 55%. Com 25% de confiança aproximadamente 76%
das amostras classificadas corretamente, precisas (38%) e imprecisas (38%), porém
22% das amostras classificadas com erro preciso e 2% das amostras classificadas com
erro impreciso. Já com 55% de confiança, aproximadamente 80% das amostras são
classificadas corretamente com incerteza e 8% das amostras são classificadas
82
perfeitamente, porém 8% de amostras classificadas incorretamente com imprecisão e
4% das amostras são classificadas como totalmente imprecisas. Como a diferença dos
acertos e dos erros das classificações não é muito grande e é mais desejável o maior
nível de confiança possível, foi escolhida a classificação imprecisa com o nível de
confiança de 55%.
A classificação imprecisa do risco da prevalência da doença ao nível de confiança de
55% é mostrada na Figura 6.6a. A Figura 6.6 também mostra as classificações a 55% de
confiança do risco da doença: no cenário mais otimista (limite inferior) (b); e no cenário
menos otimista (limite superior) (c).
a)
b)
c)
FIGURA 6.6 – Mapas temáticos do risco da prevalência da esquistossomose com 55% de
confiança: (a) da classificação imprecisa; (b) da classificação mais otimista; e
(c) da classificação menos otimista.
A Figura 6.6a mostra as classificações em prevalência baixa (verde escuro),
baixa/média (verde claro), média/alta (laranja), alta (vermelho) e baixa/alta (marrom).
Com essa classificação o número de amostras classificadas corretamente passa de
83
47,21% (classificação do modelo global) para 83,76% (classificação imprecisa do
modelo global) em relação às 197 amostras com informação da doença.
No cenário de risco mais otimista mostrado na Figura 6.6b percebe-se que são poucos
os municípios classificados como prevalência alta, ou seja, como discutido no capitulo
anterior, são poucos os municípios (21) que os gestores poderiam dar maior prioridade.
No entanto, como é mostrado na Figura 6.6c o número de municípios que devem ser
atendidos é relativamente grande, concentrando-se principalmente ao leste do Estado.
6.3.2 Modelo Regional
Utilizando a regionalização descrita na seção 6.2 foram construídos quatro modelos pra
cada uma das quatro regiões. A Figura 6.7 apresenta a distribuição das amostras com
informação da doença em cada uma das regiões e a proporção das amostras com
informação da região pelo total de amostras da região.
37/85
58/133
16/370
86/265
FIGURA 6.7 – Distribuição das amostras que possuem informação de prevalência da
esquistossomose em cada região.
Foi desenvolvido um modelo de regressão linear para cada uma das regiões. Para a
região 1 o modelo foi construído com as 16 amostras (Equação 5) que possuíam
informação da prevalência da doença. Pelo fato desta possuir um número reduzido de
amostras, não foram separadas amostras para a validação deste modelo. Para a região 2
o modelo foi construído usando 59 amostras (Equação 6) e 27 amostras foram usadas
para a validação do modelo. Para a região 3, foram usadas 44 amostras para a
84
construção do modelo (Equação 7) e para a validação foram usadas 14 amostras. Para a
região 4 utilizou-se 28 e 9 amostras para a construção (Equação 8) e para a validação do
modelo respectivamente.
yˆ reg1 = e(-0,610 -293,109*HomoUrb+26,590*MIR_V)-1
(5)
yˆ reg 2 = e(28,18 -1704,49*HomoCEst -0,03*Est1 -7,93*IDH_00 -0,002*Dem +0,15*Dec)-1
(6)
yˆ reg 3 =e(13,46 +786,93*HomoOutro +0,012*SanRede -5,055*IDHL_00 -6,37*AH2)-1
(7)
yˆ reg 4 = e(7,26+109,06*DispSBan-170,51*Blue_I +0,092*Prec_I)-1
(8)
Nos testes realizados verificou-se que não houve necessidade de inserir interações para
melhorar os modelos. A Tabela 6.4 mostra os coeficientes betas normalizados, os
valores-p para cada uma das variáveis selecionadas para os modelos de cada região, o
coeficiente de correlação (R) e o R2 de cada modelo. As variáveis e seus coeficientes
estão apresentados na Tabela 6.4 por ordem de importância.
TABELA 6.4 – Betas e p-valor das Variáveis, o coeficiente de correlação e R2 do modelo
regional.
Modelos
Variáveis
Coeficientes Beta
Valor-p
R
R2
MIR_V
0,542
0,012317
HomoUrb
-0,457
0,029278
Dem
-0,645
0,000000
Dec
0,501
0,000014
HomoCEst
-0,386
0,001699
IDH_00
-0,372
0,014255
Est1
-0,324
0,022422
AH2
-0,601
0,000000
HomoOutro
0,335
0,000916
IDHL_00
-0,253
0,011744
SanRede
0,211
0,029547
Blue_I
-0,625
0,000019
DispSBan
0,298
0,021768
Prec_I
0,296
0,022083
Região 1
Região 2
Região 3
Região 4
85
0,743
0,552
0,735
0,539
0,826
0,681
0,820
0,672
O modelo descrito na Equação 5 mostra que a homogeneidade dos domicílios do
município, e municípios vizinhos, que estão na zona urbana e o vigor da vegetação são
os fatores determinantes para a esquistossomose na região 1. Também pode-se perceber
que a variável HomoUrb possui correlação negativa com a doença, o que significa que
quanto maior a porcentagem de domicílios da zona urbana que tenha municípios
vizinhos com domicílios também na zona urbana, menor a prevalência da doença. Já a
variável MIR_V possui correlação positiva com a doença, ou seja, quanto maior o vigor
da vegetação, maior a prevalência da doença e de acordo com a Tabela 6.4 esta variável
é a mais importante do modelo. As correlações entre as variáveis pode ser vista na
Tabela A.2 (Apêndice A).
Na Equação 6 pode-se ver que as variáveis HomoCEst (Homogeneidade de instrução do
responsável pelo domicílio, entre municípios vizinhos, que possui acima de oito anos de
estudo) e Est1 (porcentagem de responsável pelo domicilio sem estudo ou com menos
de um ano de instrução) relacionada com o estudo do responsável pelo domicílio
juntamente com a variáveis Idh_00, relacionada com o índice de desenvolvimento
humano, Dem, ligada a elevação do terreno e Dec, ligada a inclinação do terreno,
demonstram as características ambientais e socioeconômicas, selecionadas pelo modelo,
para a prevalência da esquistossomose na região 2. E de acordo com a Tabela 6.4 a
variável mais importante para o modelo é a variável Dem e a menos importante é a
variável Est1, o que pode demonstrar que as características do terreno são mais
importante para a prevalência da doença na região 2 do que o baixo nível escolar da
população.
Através da equação 6 percebe-se que as variáveis HomoCEst e Est1, possuem relação
inversa com a doença, ou seja, quanto maior a porcentagem de responsáveis por
domicílios com acima de oito anos de estudos de um município, que tenha municípios
vizinhos com responsáveis por domicílio com o mesmo grau de instrução e quanto
maior a porcentagem de responsáveis por domicilio sem ou com menos de um ano de
instrução, menor a prevalência da doença. A mesma relação se tem para as variáveis
Idh_00 e Dem, quanto maior o índice de desenvolvimento humano e maior a elevação
do terreno, menor a porcentagem da doença. A variável Dec possui relação direta com a
86
doença, mostrando que quanto mais inclinação tiver o terreno do município, maior a
prevalência da doença.
Com exceção das variáveis Est1 e Dec todas as variáveis do modelo para a região 2
possuem correlação positiva com a doença de acordo com a Tabela A3 (Apêndice A).
Cabe ressaltar que apesar da correlação negativa que a variável Est1 possui com a
prevalência da doença, dentro do modelo da região 2, ela tem um comportamento
contrário, ou seja, à medida que o número de pessoas com menos de um ano de
instrução aumenta, aumenta o valor da prevalência da doença. Isso ocorre devido à alta
correlação com as variáveis HomoCEst, IDH_00 e Dem.
Para a região 3, a Equação 7 mostra que os fatores determinantes para a existência da
doença são: HomoOutro, ligada a forma de acesso a água pelos domicílios
(homogeneidade de condições, entre municípios vizinhos, de domicílios que não
possuem acesso a água através da rede geral de abastecimento); SanRede, ligada ao tipo
de esgoto (rede geral) dos domicílios; IdhL_00, relacionada a longevidade do ano de
2000; e AH2, ligada a quantidade de água que pode existir no município. Dessas
variáveis a mais significativa é a variável AH2, e a menos significativa é a variável
SanRede (Tabela 6.4). Isto quer dizer que para a região 3 a possível quantidade de água
que pode existir no município é mais importante do que o número de domicílios que
possuem esgoto ligado à rede geral.
A Equação 7 mostra também que as variáveis HomoOutro e SanRede possuem
correlação positiva com a doença, mostrando que quanto maior a área de possível
acumulação hídrica em relação à maior área de municípios vizinhos de possível
acumulação hídrica e quanto maior a porcentagem de domicílios com esgoto ligado a
rede geral, maior a prevalência da doença (Tabela A4, Apêndice A). Já as variáveis
IdhL_00 e AH2, possuem correlação negativa com a doença, o que significa que quanto
maior o índice de desenvolvimento humano de longevidade e quanto maior a área de
acumulação hídrica, menor a prevalência da doença.
Já para a região 4, as características ambientais e socioeconômicas que levam a
prevalência da doença descrita no modelo de regressão da Equação 8 são: DispSBan,
87
ligada a relação entre os domicílios que possuem banheiro (disparidade de condições
entre os domicílios do município de referência, que não possuem banheiro e os
domicílios de municípios vizinhos, que possuem banheiro) e os que não possuem
banheiro; Prec_I, ligada à quantidade de chuva no inverno; e Blue_I, ligada à existência
de água no inverno. Como visto na Tabela 6.4, das variáveis selecionadas para esta
região, a variável Blue_I é a que mais se destaca em relação às outras e a variável
Prec_I é a que demonstrou ter menos influência neste modelo de regressão.
Na Equação 8 também pode-se perceber que as variáveis DispSBan e Prec_I possuem
correlação direta com a doença, isto significa que quanto maior a porcentagem de
domicílios do municípios que não possuam banheiro em relação aos domicílios dos
municípios vizinhos que possuem banheiro e quanto maior a média de precipitação
acumulada no inverno, maior será a prevalência da doença (Tabela A5, Apêndice A). Já
a variável Blue_I possui correlação negativa com a doença, mostrando que quanto
maior existência de água, menor a prevalência da doença.
É importante ressaltar que a variável Est1 selecionada no modelo para a região 2 e a
variável SanRede selecionada para o modelo da região 3, foram usadas para definir as
regiões e supostamente em todas as regiões elas deveriam ser homogêneas não sendo
significativas no modelo de regressão. Porém elas foram selecionadas por possuirem
informações significativas, o que pode ser perfeitamente explicado já que quando se usa
cinco regiões é criada mais uma região, como dito anteriormente, justamente entre as
regiões 2 e 3, mostrando que essas regiões não são perfeitamente homogêneas (Figura
6.7.
Foram realizados todos os testes para os quatro modelos e em todos eles a variância dos
resíduos é constante, os resíduos são normalmente distribuídos e nenhum deles possui
outliers que influencie os modelos.
Em relação à validação dos modelos, como dito anteriormente o modelo para a região 1
não foi validado, já os modelos para a regia 2, 3 e 4 passaram no teste e foram validados
e todos possuem resíduos normalmente distribuídos.
88
Usando os modelos das regiões 1, 2 3 e 4, foi feita a estimativa do risco da prevalência
da esquistossomose para todo o Estado e foi calculado os desvios padrão do modelos. A
Figura 6.8 mostra os mapas temáticos (a) do risco estimado da prevalência da doença,
(b) do desvio padrão da estimativa e (c) dos resíduos dos modelos para as 197 amostras.
a)
b)
c)
FIGURA 6.8- Mapa temático modelo regional: a) Estimativa do risco da prevalência da
esquistossomose no Estado e Minas Gerais; b) Desvio Padrão da estimativa e
c) Resíduos do Modelo.
Na Figura 6.8a, os municípios em verde, amarelo e vermelho são os municípios
classificados com prevalência baixa, média e alta, respectivamente. Conforme esta
classificação, das 197 amostras com informação da doença, 62,44% foi classificada
corretamente.
A classificação da prevalência baixa através do modelo regional teve como resultado
79,41% de amostras classificadas corretamente, em relação à classe observada de
prevalência baixa. Classificando o conjunto de amostras indenes, 50,33% das amostras
foram classificadas corretamente, sendo que aproximadamente 10,86% das amostras
89
que foram classificadas erroneamente podem ser explicadas, já que há dados sobre a
existência do caramujo no município. Além disso, verificou-se que 46,38% (141
amostras) das amostras que foram classificadas erroneamente, foram classificadas como
prevalência média, e destas 34,75% (49 amostras) das amostras possui prevalência
estimada até 6%, ou seja, se aumentasse 1% na faixa de prevalência baixa, 66,44% das
amostras seriam classificadas corretamente e 10,85% teriam erros explicáveis. O que
demonstra que o modelo regional pode ser considerado robusto.
A Figura 6.8b mostra o desvio padrão dos modelos e pode-se observar que os
municípios em lilás, cujos valores do desvio padrão estão abaixo de 1,100, são onde o
modelo é mais preciso. Na Figura 6.8c pode-se observar que os municípios em rosa são
os locais onde os modelos são mais exatos, nos municípios em laranja, claro e escuro, os
valores preditos são superestimados, já nos municípios em azul, claro e escuro, os
valores preditos são subestimados.
6.3.2.1 Classificação imprecisa para o modelo Regional
As classificações imprecisas para os 19 níveis de confiança foram geradas através da
estimativa e do desvio padrão do modelo regional. A partir das classificações
imprecisas, foram gerados dois gráficos, um para o conjunto de construção e outro para
o conjunto de validação, que são apresentados na Figura 6.9.
Os gráficos para as amostras de construção e para as amostras de validação, mostrados
na Figura 6.9, possuem comportamentos semelhantes. Observando o gráfico para as
amostras de construção, percebe-se que conforme o nível de confiança aumenta,
diminui o número de amostras classificadas perfeitamente. Este mesmo comportamento
é observado nas classificações incorretas precisas.
A Figura 6.9 também mostra que com 35% de confiança 80% das amostras são
classificadas corretamente, sendo 40% precisas (curva em rosa) e 40% imprecisas
(curva em amarelo) e não há amostras classificadas como totalmente imprecisas (curva
em marrom). A partir de 35% de confiança o número de amostras classificadas
corretamente permanece em torno de 80% até o nível de confiança de 75%, onde o
90
número de amostras classificadas corretamente e imprecisa começa a diminuir. Em
relação à classificação totalmente imprecisa (curva em marrom), até o nível de
confiança de 55%, não há amostras com essa classificação, após esse limiar, o número
de amostras aumenta gradativamente chegando a 50% de amostras ao nível de confiança
de 95%.
FIGURA 6.9 – Gráfico de classificações imprecisas do modelo regional.
Como diferença de acertos e erros de classificação entre níveis de confiança de 35% e
75% não é grande e foi definido que no máximo 5% de amostras poderiam ser
classificadas como totalmente imprecisas, o nível de confiança que atende todos os
requisitos possui é em 60% de confiança. Sendo assim, através desta classificação
imprecisa com 60% de confiança, foi gerado o mapa temático de risco da prevalência da
esquistossomose, mostrado na Figura 6.10a, onde os municípios em marrom são onde a
classificação é totalmente imprecisa. A Figura 6.10 também mostra os mapas de rico
das classificações a 60% de confiança no cenário mais otimista (limite inferior) (b) e no
cenário menos otimista (limite superior) (c).
Através da classificação imprecisa do risco da prevalência da doença mostrada na
Figura 6.10a o número de municípios classificados corretamente (em relação aos 197
que possuem informação da doença) pelo modelo regional passa de 63,44%
91
(classificação da estimativa do modelo) para 91,88% (classificação imprecisa do
modelo).
a)
b)
c)
FIGURA 6.10 – Mapas temáticos do risco da prevalência da doença com 60% de confiança:
(a) da classificação imprecisa, (b) da classificação mais otimista e (c) da
classificação menos otimista.
No cenário de risco mais otimista mostrado na Figura 6.10b percebe-se que são poucos
os municípios (18) classificados como prevalência alta. No entanto, como é mostrado na
Figura 6.10c o número de municípios que devem ser atendidos é relativamente grande,
concentrando-se principalmente ao leste do Estado.
6.3.3 Comparação Modelo Global e Modelo Regional
O modelo global obtebe 0,424 de R2, enquanto modelo regional obteve 0,717 de R2
total. Usando a estimativa do modelo global e regional, as amostras foram classificadas
conforme faixa estipulada pela Secretária de Saúde do Estado de Minas Gerais gerando
a matriz de confusão para o conjunto de construção e para o conjunto de validação, com
92
o objetivo de verificar qual dos modelos seria o mais adequado. As Tabelas 6.5 e 6.6
mostram as matrizes de confusão com a classificação dos modelos para as amostras de
construção e para as amostras de validação. Nas matrizes de confusão os valores em
negrito são o número e a porcentagem de amostras classificadas corretamente.
As matrizes de confusão de construção e validação demonstram que a maior dificuldade
encontrada pelos modelos global e regional, está na separabilidade entre as classes de
prevalência média e alta, sendo que, o maior erro de classificação está na classe de
prevalência alta classificada como média. Porém, tanto na matriz com as amostras de
construção quanto na matriz com as amostras de validação, o modelo regional obteve
menor erro na classificação de prevalência alta classificada como média. Enquanto o
modelo regional classificou erroneamente 41,7% das amostras de construção e 50% das
amostras de validação, o modelo global classificou erroneamente 60% das amostras de
construção e 66,7% das amostras de validação como média, sendo alta. Além disso, o
modelo regional, comparado com o global, possui a classificação mais exata da
prevalência da doença em todas as classes.
TABELA 6.5– Matriz de confusão do modelo global (modelo 4).
Construção k=0,253
Validação k=-0,013
Classificação
Classe
Baixa
Média Alta
Classificação
Classe
Baixa
Média Alta
Baixa (34)
10
1
23
Baixa (12)
(67,6%) (29,4%) (2,9%)
8
1
3
(25,0%) (66,7%) (8,3%)
Média (48)
5
16
27
Média (25)
(10,4%) (56,3%) (33,3%)
3
9
13
(12,0%) (52,0%) (36,0%)
Alta (60)
2
36
22
Alta (18)
(3,3%) (60,0%) (36,7%)
1
12
5
(5,6%) (66,7%) (27,8%)
TABELA 6.6 – Matriz de confusão do modelo regional.
Construção k= 0,494
Validação k= 0,234
Classificação
Classe
Baixa
Média Alta
Classificação
Classe
Baixa
Média Alta
Baixa (34)
7
0
27
Baixa (12)
(79,4%) (20,6%) (0,0%)
4
0
8
(66,7%) (33,3%) (0,0%)
Média (48)
2
13
33
Média (25)
(4,2%) (68,8%) (27,1%)
4
9
12
(16,0%) (48,0%) (36,0%)
Alta (60)
0
25
35
Alta (18)
(0,0%) (41,7%) (58,3%)
1
9
8
(5,6%) (50,0%) (44,4%)
93
O modelo global (Tabela 6.5) classifica corretamente 50,7% (72) das amostras das 142
amostras usadas para a construção do modelo e 38,2% (21) das 55 amostras usadas para
a validação do modelo. O modelo regional (Tabela 6.6) classifica corretamente 66,90%
(95) das amostras de construção e 50,9% (28) das amostras de validação. Desse modo, o
modelo regional apresentou a maior exatidão global em relação ao modelo global tanto
para o conjunto de construção, como para o conjunto de validação.
As Tabelas 6.5 e 6.6 também apresentam os índices kappa das matrizes de confusão.
Por este critério, o modelo regional também demonstrou possuir a melhor classificação
por possui os maiores índices kappa.
O comportamento da classificação dos modelos em cada região pode ser analisado na
Tabela 6.7, que mostra o número de amostras de cada região e o número de amostras
classificadas corretamente em cada região, para todas as 197 amostras.
TABELA 6.7 – Amostras classificadas corretamente Modelo Global e Regional.
Amostras classificadas corretamente
Número de
Regiões
amostras
Modelo Global
Modelo Regional
1
16
2
86
3
58
4
37
Total
197
8
(50,0%)
35
(40,7%)
28
(48,3%)
22
(59,5%)
93
(47,2%)
9
(56,25%)
44
(51,16%)
42
(72,41%)
28
(75,68%)
123
(62,44%)
Na Tabela 6.7, pode-se observar que o modelo regional possui o maior número de
amostras classificadas corretamente em todas as regiões, como era esperado, podendose concluir que o modelo regional é mais exato que o modelo global.
Com relação à precisão dos modelos percebe-se que o regional (Figura 6.8b) foi mais
preciso que o global (Figura 6.4b) em relação ao desvio padrão baixo (abaixo de 1,1%),
como pode ser visto na Tabela 6.8, pois 82,87% dos municípios possuem desvio padrão
baixo no modelo regional e apenas 39,04% no global. Ao analisar o desvio padrão alto,
o modelo global apresenta o menor número de amostras (1,52%) com desvio padrão
94
acima de 1,25% em relação ao número de amostras do modelo regional (4,92%). Como
a diferença do número de amostras dos modelos com desvio padrão baixo é grande
(43,83%) e com o desvio padrão alto é pequena (3,4%), o modelo regional pode ser
considerado o modelo mais preciso.
Modelos
Global
Regional
TABELA 6.8 – Desvio Padrão Modelo Global e Regional.
< 1,100
1,001 - 1,150
1,151 - 1,200
1,201 - 1,250
333
456
44
7
(39,04%)
(53,46%)
(5,16%)
(0,82%)
741
44
12
14
(86,87%)
(5,16%)
(1,41%)
(1,64%)
> 1,250
13
(1,52%)
42
(4,92%)
Para os resíduos dos modelos, como pode ser observado na Tabela 6.9, o modelo
regional (Figura 6.8c) possui o maior número de amostras com resíduo baixo (entre 4,99% e 5,00%) em relação ao global (Figura
6.4c),
que possui maior número de
amostras com estimativa superestimada (acima de 10,00%) e com estimativa
subestimada (abaixo de -10,00%). Desta maneira o modelo regional, também neste
critério, é considerado o melhor modelo.
Modelos
Global
Regional
TABELA 6.9 – Resíduos Modelo Global e Regional.
<-10,00
-9,99 ~ -5,00
-4,99 ~ 5,00
5,01 ~ 10,00
17
22
96
32
(8,63%)
(11,17%)
(48,73%)
(16,24%)
14
23
111
30
(7,11%)
(11,68%)
(56,35%)
(15,23%)
> 10,00
30
(15,23%)
19
(9,64%)
Assim, é possível concluir que o modelo regional é mais exato e mais preciso que o
modelo global. Além disso, o modelo regional possui a melhor classificação para todas
a classes e maior coeficiente kappa.
Comparado as classificações imprecisas dos modelos, percebe-se também que o
regional, demonstrou ser mais exato em relação a classificação do global. Das 142
amostras de construção do modelo global (Tabela 6.10), a classificação imprecisa
classificou corretamente 123 amostras (86,62%), e das 55 amostras de validação
(Tabela 6.11), 42 amostras (76,36%) foram classificadas corretamente. Para o modelo
regional, das 142 amostras de construção (Tabela 6.12), a classificação imprecisa
classificou corretamente 129 amostras (90,84%) e das 55 amostras de validação (Tabela
6.13), 52 amostras (94,54%) foram classificadas corretamente.
95
TABELA 6.10 – Matriz de confusão para as amostras de construção da classificação imprecisa
do Modelo Global a 55% de confiança.
Classificação
Baixa Média Alta
Baixa/Média Média/Alta Baixa/Alta
Classe
Baixa (34)
0
0
4
(11,8%) (0,0%) (0,0%)
25
(73,5%)
2
(5,9%)
3
(8,8%)
Média (48)
0
0
0
(0,0%) (0,0%) (0,0%)
12
(25,0%)
33
(68,8%)
3
(6,3%)
Alta (60)
0
0
3
(0,0%) (0,0%) (5,0%)
6
(10,0%)
46
(76,7%)
5
(8,3%)
TABELA 6.11 – Matriz de confusão para as amostras de validação da classificação imprecisa
do Modelo Global a 55% de confiança.
Classificação
Baixa Média Alta
Baixa/Média Média/Alta Baixa/Alta
Classe
Baixa (12)
0
0
0
(0,0%) (0,0%) (0,0%)
6
(50,0%)
3
(25,0%)
3
(25,0%)
Média (25)
0
3
0
(0,0%) (0,0%) (12,0%)
6
(24,0%)
16
(64,0%)
0
(0,0%)
Alta (18)
0
0
1
(0,0%) (0,0%) (5,6%)
3
(16,7%)
13
(72,2%)
1
(5,6%)
TABELA 6.12 – Matriz de confusão para as amostras de construção da classificação imprecisa
do Modelo Regional a 60% de confiança.
Classificação
Baixa Média Alta
Baixa/Média Média/Alta Baixa/Alta
Classe
1
0
14
(41,2%) (2,9%) (0,0%)
17
(50,0%)
2
(5,9%)
0
(0,0%)
Média (48)
0
0
3
(0,0%) (6,25%) (0,0%)
6
(12,5%)
36
(75,0%)
3
(6,25%)
Alta (60)
0
3
10
(0,0%) (5,0%) (16,7%)
1
(1,7%)
43
(71,7%)
3
(5,0%)
Baixa (34)
TABELA 6.13 – Matriz de confusão para as amostras de validação da imprecisa do Modelo
Regional a 60% de confiança.
Classificação
Baixa Média Alta
Baixa/Média Média/Alta Baixa/Alta
Classe
0
0
5
(41.7%) (0,0%) (0,0%)
6
(50,0%)
1
(8,3%)
0
(0,0%)
Média (25)
1
0
2
(4.0%) (8.0%) (0,0%)
5
(20,0%)
17
(68,0%)
0
(0,0%)
Alta (18)
0
0
2
(0,0%) (0,0%) (11,1%)
1
(5,6%)
15
(83,3%)
0
(0,0%)
Baixa (12)
96
Nas matrizes de confusão das Tabelas 6.10, 6.11, 6.12 e 6.13 os valores em negrito são
o número e a porcentagem de amostras classificadas corretamente.
Comparando as matrizes de confusão da classificação imprecisa do modelo global para
as amostras de construção (Tabela 6.10) com a matriz para as amostras de validação
(Tabela 6.11) é possível perceber que em todas as classes os erros do conjunto de
validação são maiores que os erros do conjunto de construção. Contudo, o maior erro
está na classificação do conjunto de validação para a classe de prevalência baixa, pois
era esperado pela classificação do conjunto de construção que 14,7% das amostras
fossem classificadas erroneamente e no conjunto de validação 50% das amostras foram
classificadas erroneamente. Já no modelo regional, os erros do conjunto de validação
(Tabela 6.13) para cada classe foram menores que os erros do conjunto de construção
(Tabela 6.12), mostrando que a classificação imprecisa do modelo regional é mais
robusta que a classificação imprecisa do modelo global. Este resultado mostra mais uma
vez que o modelo regional traz resultados melhores que o modelo global.
6.4 Árvore de decisão
Para a geração da árvore de decisão, foram testados alguns valores para o número
mínimo de amostras por folha. Com valores de 2 a 9, as árvores são mais exatas, porém
suas regras são bastante complicadas. Com valor igual a 10 e 11 a mesma árvore é
gerada e com valor superior a 12, são geradas árvores muito pequenas com
pouquíssimas regras. Como o objetivo é encontrar uma árvore que tenha regras simples
e que consiga mostrar os principais fatores que expliquem a doença, foi escolhida para a
análise a árvore com 10 ou 11 amostras mínimas por folha. A Figura 6.11 mostra a
representação gráfica da árvore de decisão selecionada.
Na Figura 6.11 para cada regra de classificação, tem-se dentro dos parênteses o número
de amostras classificadas na folha / e o número de amostras classificadas incorretamente
nessa folha.
As variáveis apresentadas na Figura 6.11 foram selecionadas pelo Weka por conterem
maior quantidade de informação. A variável colocada na raiz da árvore foi EVI_I,
97
correspondendo à divisão em dois grupos: para valores desta variável menor ou igual a
0,24522 as amostras já são classificadas como de baixa prevalência e acima deste valor
tem-se outras regras para a classificação, que serão descritas a seguir, as quais usam
outras variáveis tais como, variáveis de SR (NDVI_I, AH1), climática (Tmin_V), e
socioeconômicas (IDH_00, SanRioLago). Algumas dessas variáveis foram selecionadas
por Freitas et al. (2006) e Guimarães et al (2006), imprimindo mais confiabilidade e
demonstrando que a técnica pode ser considerada eficiente para explicar a prevalência
da esquistossomose.
FIGURA 6.11 – Representação gráfica da árvore de decisão.
A divisão seguinte da árvore foi em função da variável Tmin_V. As amostras nesse
ramo terão duas possibilidades: menor ou igual a 18,78º C e maior que este valor. Se a
primeira possibilidade for verdadeira, as amostras serão classificadas como prevalência
baixa. Caso contrário, as amostras serão classificadas como prevalência média ou alta.
Isso demonstra o que já era esperado, quando existe vegetação e a temperatura no verão
for menor, dificilmente serão encontradas prevalências muito altas. Segundo Standen
(1951) a temperatura ambiental tem forte influência na eclosão do miracídio (forma da
larva após a eclosão do ovo do Schistosoma mansoni na água) e na penetração dele no
98
caramujo, pois a eclosão do ovo não ocorreria em temperaturas inferiores a 10ºC. Dessa
forma a árvore de decisão reflete esta particularidade, classificando as amostras como
prevalência média ou alta se a temperatura for alta, e como prevalência baixa se a
temperatura for baixa.
A próxima divisão das amostras é relativa à variável AH1, a qual está relacionada à
existência de água. Quando esta variável tiver valor menor ou igual 1,987701 as
amostras serão classificadas como prevalência média. Caso contrário, quando o valor de
AH1 for maior, haverá a divisão da variável NDVI_I, a qual está relacionada à
vegetação.
Quando o valor da variável NDVI_I for maior que 0,6385, as amostras serão
classificadas como prevalência alta. O mesmo ocorre se o valor for menor que este, e se
a variável IDH_00 for menor ou igual a 0,695. Contudo, se IDH_00 for maior, haverá
outra divisão utilizando a variável EVI_I.
Quando o valor da variável EVI_I for menor ou igual a 0,27337, a prevalência será
classificada como alta. Porém, se o valor da variável EVI_I for maior e o valor da
variável SanRioLago for menor ou igual a 33,419244, as amostras serão classificadas
como prevalência média. Se o valor da variável SanRioLago for maior que 33,419, as
amostras serão classificadas como prevalência alta.
Na literatura também é relatado por Dias (1998) que a doença instala-se por conta do
saneamento precário ou inexistente. Sendo assim, a árvore de decisão também é
coerente, quanto ao saneamento esgoto, pois quando a quantidade de domicílios que
possuem esgoto ligado a rio ou lago é maior, as amostras são classificadas como
prevalência alta e quando a quantidade de domicílios que possuem esgoto deste tipo de
é menor, as amostras são classificadas como prevalência média.
Esta árvore alcançou 71,8% de amostras classificadas corretamente, gerando um índice
Kappa de 0,565. A Tabela 6.14 mostra a matriz de confusão da árvore gerada através do
algoritmo J4.8 do Weka. Na matriz de confusão os valores em negrito são o número e a
porcentagem de amostras classificadas corretamente.
99
TABELA 6.14 – Matriz de confusão.
Construção k=0,565
Validação k=-0,024
Classificação
Classe
Baixa
Classificação
Média Alta
Classe
Baixa
Média Alta
Baixa (34)
5
1
28
Baixa (12)
(82,4%) (14,7%) (2,9%)
3
5
4
(33,3%) (25,0%) (41,7%)
Média (48)
13
17
18
Média (25)
(27,7%) (37,5%) (35,4%)
4
14
7
(16,0%) (28,0%) (56,0%)
Alta (60)
2
2
56
Alta (18)
(3,3%) (3,3%) (93,3%)
4
7
7
(22,2%) (38,9%) (38,9%)
Analisando as matrizes de confusão pode-se detectar os problemas na classificação e
também a separabilidade entre as classes. Observa-se maior confusão na classe de
prevalência média, classificada como baixa e alta.
Na matriz de confusão das amostras de construção, das 142 amostras, 102 são
classificadas corretamente. Para as 34 amostras da classe de prevalência baixa 82,4%
das amostras foram classificadas corretamente e apenas uma amostra (2,9%) foi
classificada como prevalência alta. Para as 60 amostras da classe de prevalência alta,
93,3% das amostras foram classificadas corretamente e somente duas amostras (3,3%)
foram classificada como prevalência baixa.
O resultado da classificação pode ser considerado coerente em relação à realidade: a
temperatura, o habitat ideal para o caramujo e condições de vida das pessoas são fatores
importantes para a existência da doença. Porém em alguns ramos a classificação parece
ser subestimada e em outros superestimada. Esse fato pode ser observado na Figura 6.12
(b). A Figura 6.12 mostra o mapa temático da classificação do risco da doença pela
árvore de decisão e os erros da classificação.
Na Figura 6.12 (b) os municípios representados em laranja e amarelo a classificação é
subestimada em relação a 2 e 1 classe observada, respectivamente (por exemplo, os dois
municípios em laranja, foram classificados como prevalência baixa, porém pertenciam à
classe de prevalência alta). Já nos municípios representados em azul escuro e claro a
classificação é superestimada em 2 e em 1 classe, respectivamente. Os municípios
classificados corretamente estão representados em rosa.
100
a)
b)
FIGURA 6.12 – (a)Risco da prevalência da esquistossomose classificada através da árvore de
decisão; (b) Erros de classificação.
A classificação do risco da prevalência baixa através da árvore de decisão teve como
resultado 82,35% de amostras classificadas corretamente, em relação à classe observada
de prevalência baixa, conforme Tabela 6.14. Classificando o conjunto de amostras
indenes, 87,17% das amostras foram classificadas corretamente. Com esse resultado,
pode-se concluir que a classificação é aceitável.
6.5 Comparação das modelagens
A árvore de decisão traz resultados melhores em relação aos modelos de regressão
Global e Regional, por apresentar maior exatidão. Das 142 amostras utilizadas para a
seleção da árvore de decisão e para construção dos modelos de regressão, a árvore de
decisão classifica corretamente 71,8% das amostras, enquanto os modelos de regressão
Global e Regional classificam corretamente 50,7% e 57,7% das amostras,
respectivamente. Para as 55 amostras separadas para a avaliação da árvore de decisão e
para a validação dos modelos de regressão, a árvore de decisão classifica corretamente
43,6% das amostras, enquanto os modelos de regressão Global e Regional classificam
corretamente 38,2% e 43,6% das amostras, respectivamente. Por outro lado, através do
modelo de regressão é possível estimar a precisão da estimativa para todos os
municípios do Estado, o que não ocorre com árvore de decisão.
No entanto, quando se é verificada a classificação levando em consideração a melhor
classificação para cada classe, apesar do modelo regional não conter o maior número de
101
amostras classificadas corretamente no conjunto de treinamento para as classes baixa e
alta, o modelo regional é o modelo que tem o maior poder de generalização.
O modelo regional contém 79,4% de amostras classificadas corretamente como
prevalência baixa e 58,3% de amostras classificadas corretamente como prevalência alta
(Tabela 6.6), enquanto o modelo de árvore de decisão classifica corretamente 82,4% e
93,3% como prevalência baixa e alta (Tabela 6.14), respectivamente para as amostras de
treinamento. Entretanto, para as amostras de teste o modelo regional classifica
corretamente 66,7% de amostras como prevalência baixa e 44,4% de amostras como
prevalência alta (Tabela 6.6), enquanto o modelo de árvore de decisão classifica 33,3%
e 38,9% como prevalência baixa e alta (Tabela 6.14), respectivamente. Para a
classificação de prevalência média o modelo regional é o mais preciso e acurado que os
outros modelos com 68,8% de amostras classificadas corretamente para o conjunto de
treinamento e 48,0% de amostras classificadas corretamente para o conjunto de teste.
Assim a melhor classificação por classe pode ser considerada a classificação do modelo
regional.
É interessante observar na Tabela 6.15 que ao fazer a divisão das classificações dos três
modelos por regiões, a classificação por árvore de decisão também chegou a maior
exatidão global no conjunto de treinamento em todas as regiões. Porém, na região 2 a
classificação pelo modelo global tem o maior poder de generalização e nas regiões 3 e 4
a classificação que possui o maior poder de generalização é a do modelo regional.
TABELA 6.15 – Porcentagem de amostras classificadas corretamente em cada modelo.
Regiões
1
2
3
4
Conjuntos
Treinamento
Treinamento
Teste
Treinamento
Teste
Treinamento
Teste
Global
Regional
Árvore
50,00%
56,25%
62,50%
42,37%
37,04%
54,55%
28,57%
57,14%
77,78%
54,24%
29,63%
59,09%
42,86%
60,71%
100,00%
64,41%
29,63%
77,27%
35,71%
78,57%
44,44%
A Tabela 6.15 foi gerada a partir das matrizes de confusão para cada região que estão no
apêndice B. Através das matrizes do Apêndice B notam-se que em geral a árvore de
decisão classifica melhor na maioria das regiões a classe de prevalência baixa, média e
102
alta. Esse resultado pode ser um indicativo de que a geração de uma árvore de decisão
para cada uma das regiões pode chegar a um resultado melhor.
103
104
CAPÍTULO 7
CONCLUSÕES
Apesar do conhecimento da dificuldade em se estabelecer relações ambientais e sociais
de uma doença de veiculação hídrica a nível municipal, em geral, os resultados
apresentados são satisfatórios, já que os dados de prevalência da esquistossomose a
nível local não são disponibilizados.
Os resultados apresentados pelos modelos demonstraram validade da modelagem
computacional como ferramenta que auxilia o processo de decisão dos gestores, uma
vez que se pode identificar os municípios que se tem maior risco de prevalência. Dentre
os modelos apresentados (modelo de regressão global e regional e a árvore de decisão),
a árvore de decisão demonstrou ser o método mais eficaz, por conseguir a melhor
exatidão global. A desvantagem deste método em relação aos modelos de regressão é o
fato de que não é possível estimar a precisão dos resultados.
Os resultados mostram a dificuldade na separabilidade entre as classificações de
prevalência média e alta em todos os modelos. No entanto, a classificação de
prevalência baixa possui alta porcentagem de acerto para todos os modelos analisados.
Isto é um fator importante uma vez que os recursos públicos para o combate e controle
da doença são escassos e com esta classificação esses recursos dificilmente serão
alocados para áreas com menor prevalência. No entanto, cabe ressaltar que não se deve
deixar de lado os municípios classificados como tendo baixo risco de prevalência, pois
esses municípios podem funcionar como geradores da doença. A sugestão é dar maior
prioridade aos municípios classificados como tendo risco de prevalência alta.
Os coeficientes de determinação (R2) são maiores para o modelo regional do que para o
modelo global, o que comprova a hipótese de que a regionalização contribui para a
melhora da estimativa da doença no Estado de Minas Gerais.
105
Para o modelo global, o tipo de esgoto, a vegetação no inverno, a temperatura mínima
no verão, a quantidade de água que pode existir no terreno e a inclinação do terreno são
fatores relacionados com risco da doença. Neste modelo não foram selecionadas
variáveis de caracterização da vizinhança, devido à baixa correlação deste tipo de
variável com a prevalência da doença. A não seleção de variáveis de caracterizança da
vizinhança deve-se provavelmente pelo fato da informação de vizinhança ser atenuada
quando se faz o modelo para todo o Estado.
Duas das variáveis do modelo global, a quantidade de água que pode existir no terreno e
a inclinação do terreno, também foram selecionadas no modelo regional. A primeira, foi
selecionada no modelo da região 3 e a segunda no modelo da região 2. No entanto, no
modelo regional, variáveis diferentes foram selecionadas em cada uma das regiões. Isto
é mais um indicativo de que realmente um modelo não deveria ser generalizado para
todo o Estado, dada a diferença na seleção de variáveis que possuem maior relação com
a doença em cada região.
Os domicílios que estão na zona urbana do município e possuem municípios vizinhos na
zona urbana e o vigor da vegetação são os fatores relacionados com o risco da doença
na região 1.
Na região 2, as variáveis relacionadas com a doença em ordem de importância risco são:
a elevação do terreno; e a inclinação do terreno; os responsáveis por domicílios que
possuem acima de oito anos de instrução e possuem municípios vizinhos com
responsáveis por domicílios com a mesma instrução; a porcentagem de chefes de
família sem ou com menos de um ano de instrução; e o índice de desenvolvimento
humano. Portanto, pode-se dizer que para esta região os fatores de risco estão
relacionados aos fatores topográficos e socioeconômicos.
Os fatores de risco para a região 3 são: a quantidade de água que pode existir no terreno;
os domicílios com acesso a água através de poço ou nascente e possuem municípios
vizinhos com a mesma foram de abastecimento de água; a porcentagem de domicílios
com esgoto ligado a rede geral; e o índice de desenvolvimento humano de longevidade.
106
Estes fatores de risco estão relacionados à topografia, ao baixo saneamento básico e
desenvolvimento humano.
Já para a região 4, os fatores de risco são: a existência de corpos d’água; os domicílios
que não possuem banheiro com municípios vizinhos que possuem banheiro; e a média
da precipitação no inverno. Portanto os fatores de risco para esta região estão
relacionados à existência de recursos hídricos, ao baixo saneamento básico e à
pluviometria.
É interessante observar que as variáveis selecionadas para cada região são
razoavelmente condizentes com as condições sócio-ambientais de cada uma delas. A
região 1, por ser em geral a mais desenvolvida é a menos influenciada por fatores
socioeconômicos. O saneamento básico é um fator importante para as regiões 3 e 4 que
são as regiões mais pobres e menos desenvolvidas. Os fatores topográficos se tornam
importantes nas regiões 2 e 3, onde ocorrem as maiores diferenças em altimetria.
Com as classificações imprecisas dos modelos estimados, além da porcentagem da
informação sobre o nível de confiança dos resultados, tem-se também o aumento da
exatidão, e consequentemente, a diminuição dos erros de classificação.
Algumas das variáveis selecionadas nos modelos de regressão como vegetação,
temperatura, declividade, índice de desenvolvimento humano e precipitação, já foram
selecionadas em trabalhos anteriores por Bavia et al. (1999; 2001), Guimarães et al.
(2006; 2007), Freitas et al. (2006), Fonseca et al. (2007a) e Malone et al. (1997; 2001b),
conferindo mais confiabilidade ao modelo.
Em relação às variáveis selecionadas pela árvore de decisão, de um modo geral, elas
refletem fatores importantes para a existência da esquistossomose (o habitat ideal para o
veículo transmissor e as condições de vida da população) e algumas delas como o índice
de desenvolvimento humano, a temperatura e índices de vegetação, já foram usadas em
outros trabalhos já citados para a predição da doença. Isso imprime mais confiabilidade
e demonstra que a técnica pode ser considerada eficiente para explicar a prevalência da
esquistossomose. Além disso, nesse tipo de classificação, os resultados são
107
normalmente
bastante
compreensíveis
podendo
compreendidos pelos especialistas da área de saúde.
108
ser
facilmente
utilizados
e
CAPÍTULO 8
CONSIDERAÇÕES FINAIS
Os resultados alcançados podem ser melhorados se forem disponibilizados os dados a
nível local. Para essa mudança de escala também seria de grande valor para o estudo
melhor a qualidade da coleta dos dados usando GPS e adicionando algumas questões
nos inquéritos epidemiológicos usados para o controle da doença. Num inquérito em
escolares, por exemplo, descobrir onde a criança mora é tão importante, quanto
descobrir se a criança tem contato com corpos d’água e onde ocorre o contato (se é no
caminho para escola, no lazer, nas brincadeiras...).
Para melhorar a modelagem sugere-se que se passe a usar series temporais da doença ao
invés de usar dados históricos, para avaliar se existem fatores que aumentam ou
diminuem a doença a cada mês ou ano.
Sugere-se recalcular as variáveis de caracterização da influência da vizinhança quanto à
existência ou não de banheiro usando a informação de banheiro ligado a rede geral de
esgoto e banheiro com outro tipo de esgotamento. Essa mudança deve-se ao fato de ser
mais importante para o estudo distinguir os domicílios que tem banheiro ligado a rede
de esgoto dos municípios que tem outro tipo de esgotamento. Na variável atual, a
informação da existência de banheiro engloba banheiros com vários tipos de
esgotamento (ligado ao rio ou lago, ligado a rede geral de esgoto, ligado à fossa
rudimentar, ligado à fossa séptica, entre outros) o que acaba não retornando uma
informação significativa para a estimativa do risco da esquistossomose.
Sugere-se também a utilização de outras variáveis, tais como: de programas de controle
da doença, que pode ser usada para fazer um paralelo entre os municípios que são
atendidos e os que não são; de tipos de solo, pois em estudos realizados na Bahia por
Bavia (1999) foi verificado que altas prevalência da doença acontece em áreas de
latossolo e de vegetação em transição; e a criação de um índice de infra-estrutura de
109
saúde também seria de grande importância para o estudo, já que a infra-estrutura em
saúde é bastante precária nos dias de hoje.
Como visto, a árvore de decisão demonstrou ser mais exata que as outras modelagens e
a como a análise regional chegou a melhores resultados em relação a análise global,
sugere-se que seja gerada uma árvore de decisão para cada região proposta nesta
dissertação.
Outra sugestão é usar outro tipo de regiões, como por exemplo, os municípios que estão
próximos a bacias hidrográficas como, por exemplo, a bacia do Rio Doce, a bacia do
Rio Paraíba, a bacia do São Francisco, o Vale do Jequitinhonha e o Vale do Mucuri
entre outros.
110
REFERÊNCIAS BIBLIOGRÁFICAS
AMARAL, R. S.; PORTO, M. A. S. Evolução e situação atual do controle da
esquistossomose no Brasil. Revista da Sociedade Brasileira de Medicina Tropical, v.
27, p. 73-90, 1994.
ARAKI, H. Fusão de informações espectrais, altimétricas e de dados auxiliares na
classificação de imagens de alta resolução espacial. 136 p. Tese (Doutorado em
Ciências Geodésicas ) – Universidade Federal do Paraná (UFPR), Curitiba, 2005.
ASSUNÇÃO, R. M.; NEVES, M. C.; CÂMARA, G.; FREITAS, C. C. Efficient
regionalization techniques for socio-economic geographical units using minimum
spanning trees. International Journal of Geographical Information Science, v. 20, p.
797-811, 2006.
BAVIA, M. E.; HALE, L.; MALONE, J. B.; BRAUD, D. H.; SHANE, S. M.
Geographic information systems and the enviromental risk of Schistosomiasis in Bahia,
Brazil. American Journal of Tropical Medical and Hygiene, v. 60, n. 4, p. 566-572,
1999.
BAVIA, M. E.; MALONE, J. B.; HALE, L.; DANTAS, A.; MARRONI, L.; REIS, R.
Use of thermal and vegetation index data from earth observing satellites to evaluate the
risk of schistosomiasis in Bahia, Brazil. Acta Tropica, v. 79, n. 1, p. 79-85, 2001.
BECK, L. R.; LOBITZ, B. M.; WOOD, B. L. Remote sensing and human health: new
sensors and new opportunities. Emerging Infectious Diseases 2000, v. 6, n. 3, p. 217227, 2000.
BECK, L. R.; RODRIGUEZ, M. H.; DISTER, S. W.; RODRIGUEZ, A. D.;
WASHINO, R. K.; ROBERTS, D. R.; SPANNER, M. A. Assessment of a remote
sensing based model for predicting malaria transmission risk in villages of Chiapas,
Mexico. American Journal of Tropical Medical and Hygiene, v. 56, n. 1, p. 99-106,
1997.
BROOKER, S. Schistosomes, snails and satellites. Acta Tropica, v. 82, n. 2, p. 207214, 2002.
BROOKER, S.; BEASLEY, M.; NDINAROMTAN, M.; MADJIOUROUM, E. M.;
BABOGUEL, M.; DJENGUINABE, E.; HAY, S. I.; BUNDY, D. A. P. Use of remote
sensing and a geographic information system in a national helminth control programme
in Chad. Bulletin of the World Health Organization, v. 80, p. 783-789, 2002a.
BROOKER, S.; HAY, S. I.; ISSAE, W.; HALL, A.; KIHAMIA, C. M.; LWAMBO, N.
J.; WINT, W.; ROGERS, D. J.; BUNDY, D. A. Predicting the distribution of urinary
schistosomiasis in Tanzania using satellite sensor data. Tropical Medicine and
International Health, v. 6, n. 12, p. 998-1007, 2001.
BROOKER, S.; HAY, S. I.; TCHUEM TCHUENTÉ, L. A.; RATARD, R. Using
NOAA AVHRR data to model human helminth distribuitions in planning disease
control in Cameroon. Photogrammetric Engineering & Remote Sensing, v. 68, n. 2,
p. 175-179, 2002b.
111
CARVALHO, O. S.; DUTRA, L. V.; MOURA, A. C. M.; FREITAS, C. C.; AMARAL,
R. S.; DRUMMOND, S. C.; FREITAS, C. R.; SCHOLTE, R. G. C.; GUIMARÃES, R.
J. P. S.; MELO, G. R.; CORREIA, V. R. M.; GUERRA, M. Desenvolvimento de um
sistema de informações para o estudo, planejamento e controle da esquistossomose no
Estado de Minas Gerais. In: Simpósio Brasileiro de Sensoriamento Remoto, n. XII,
2005, Goiânia. Anais... São José dos Campos: INPE, 2005. p. 2083-2086. ISBN 85-1700018-8. CD-ROM.
CARVALHO, O. S.; ROCHA, R. S.; MASSARA, C. L.; KATZ, N. Expansão da
esquistossomose mansoni em Minas Gerais. Memórias do Instituto Oswaldo Cruz, v.
82, p. 295-298, 1987.
DALMOLIN, Q. Ajustamento por mínimos quadrados. 2. Curitiba: Editora da
UFPR, 2004. 176 p. ISBSN 8588783029.
DIAS, J. C. P. Problemas e possibilidades de participação comunitária no controle das
grandes endemias no Brasil. Cadernos de Saúde Pública, v. 14, p. 19-37, 1998.
DOUMENGE, J. P.; MOTT, K. E.; CHEUNG, C.; VILLENAVE, D.; CAPUI, O.;
PERRIN, M. F. Atlas of the global distribution of schistosomiasis. Talence, Geneva:
WHO-CEGET-CNRS, Presses Universitaires de Bordeaux, 1987.
DRAPER, N. R.; SMITH, H. Applied regression analysis. 2. New York: John Wiley
& Sons, 1981. 709 p. ISBSN 0-471-02995-5.
DRUCK, S.; CARVALHO, M. S.; CÂMARA, G.; MONTEIRO, A. M. V. Análise
espacial de dados geográficos. Brasília: EMBRAPA, 2004. 209 p. ISBSN 85-7383260-6. Disponível em: <http://www.dpi.inpe.br/gilberto/livro/analise/>. Acesso em: sep,
2006.
DRUMMOND, I. N. Classificaçao imprecisa de dados baseada em lógica difusa e
teoria de possibilidades. 2007-. (INPE--T/). 157 p. Tese (Doutorado em Computação
Aplicada) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2007.
Disponível em: <http://urlib.net/sid.inpe.br/mtc-m17@80/2007/12.07.10.59>. Acesso
em: 15 nov. 2007.
DRUMMOND, I. N.; SANDRI, S. A. Parameterized Imprecise Classification:
Elicitation and Assessment. Lecture Notes in Computer Science, v. 4140, p. 319-328,
2006.
DRUMMOND, S. C. Dados de prevalencia da esquistossomose em Minas Gerais.
Secretaria do Estado da Saúde de Minas Gerais. 2006 (Comunicação Pessoal).
DUTRA, L. V.; FREITAS, C. R.; MOURA, A. C. M.; FREITAS, C. C.; GUIMARÃES,
R. J. P. S.; AMARAL, R. S.; DRUMMOND, S. C.; SCHOLTE, R. G. C.; MELO, G. R.;
GUERRA, M.; CARVALHO, O. S. Desenvolvimento de Índices Hidrológicos para
aplicação em Sistema de Modelagem Ambiental de Risco de Esquistossomose em
Minas Gerais. In: Simpósio Internacional sobre esquistossomose, n. 10., 2005a, Belo
Horizonte. Anais... Rio de Janeiro: Fiocruz, 2005a. p. 133.
112
DUTRA, L. V.; MOURA, A. C. M.; FREITAS, C. R.; FREITAS, C. C.; AMARAL, R.
S.; DRUMMOND, S. C.; GUIMARÃES, R. J. P. S.; SCHOLTE, R. G. C.;
CARVALHO, O. S. Uso das imagens SRTM no mapeamento da rede de drenagem e no
estudo da rugosidade do terreno em Minas Gerais e suas relações com a ocorrência da
esquistossomose. In: Simpósio Nacional de Geografia da Saúde, n. 2., 2005b, Rio de
Janeiro. Anais... Rio de Janeiro: Fiocruz, 2005b. CD-ROM.
FEITOSA, F. F. Índices Epaciais para mensurar a segregação residensial: o caso de
São José dos Campos (SP). 169 p. Dissertação (Mestrado em Sensoriamento Remoto)
– Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2005.
FEITOSA, F. F.; CÂMARA, G.; MONTEIRO, A. M. V.; KOSCHITZI, T.; SILVA, M.
P. S. Global and local spatial indices of urban segregation. International Journal of
Geographical Information Science, v. 21, n. 3, p. 299-323, 2007.
FONSECA, F. R.; FREITAS, C. C.; DUTRA, L. V.; MARTINS, F. T.; GUIMARÃES,
R. J. P. S.; SCHOLTE, R. G. C.; AMARAL, R. S.; DRUMMOND, S. C.; M., M. A. C.;
ROCHA, L.; CARVALHO, O. S. Desenvolvimento de um modelo de regressão linear
para a prediçãoo da prevalência de esquistossomose no Estado de Minas Gerais. In:
Simpósio Brasileiro de Sensoriamento Remoto, n. 13., 2007a, Florianópolis. Anais...
São José dos Campos: INPE, 2007a. p. 2573-2580.
FONSECA, F. R.; SARAIVA, T. S.; FREITAS, C. C.; DUTRA, L. V.; MONTEIRO, A.
M. V.; RENNÓ, C. D.; MARTINS, F. T.; GUIMARĆES, R. J. P. S.; M., M. A. C.;
SCHOLTE, R. G. C.; AMARAL, R. S.; DRUMMOND, S. C.; CARVALHO, O. S.
Desenvolvimento de um índice hidrológico para aplicações em estudos de distribuição
da prevalência da esquistossomose em Minas Gerais. In: Simpósio Brasileiro de
Sensoriamento Remoto, n. 13., 2007b, Florianópolis. Anais... São José dos Campos:
INPE, 2007b. p. 2589-2595.
FONSECA, J. M. M. R. D. Indução de árvores de decisão. 151 p. Dissertação
(Mestrado em Departamento de Informática) – Universidade Nova de Lisboa, Lisboa,
1994.
FREITAS, C. C.; GUIMARÃES, R. J. D. P. S.; DUTRA, L. V.; MARTINS, F. D. T.;
GOUVÊA, É. J. C.; SANTOS, R. A. T.; MOURA, A. C. D. M.; DRUMMOND, S. C.;
AMARAL, R. S.; CARVALHO, O. D. S. Remote Sensing and Geographic Information
Systems for the Study of Schistosomiasis in the State of Minas Gerais, Brazil. IEEE
International Geoscience And Remote Sensing Symposium, p. 2436-2439, jul./ago.
2006. Spacial issue on the 2006 International Geoscience and Remote Sensing
Symposium (IGARSS'06).
GONG, P.; SPEAR, R.; SETO, E.; ZHOU, Y.; XU , B.; MAXZLE, D.; LIANG, S.;
DAVIS, G.; GU, X. Remote sensing and GIS for schistosomiasis control in Sichuan,
China, an overview. In: GEOINFORMATICS'99 CONFERENCE, 1999, Ann Arbor,
MI. Proceedings… Ann Arbor, MI:.The Association of Chinese Professionals in GIS Abroad, 1999. p. 1-9.
GUIMARÃES, R. J. D. P. S. Variáveis climáticas e variáveis de sensoriamento
remoto. (Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2005)
Comunicação Pessoal.
113
GUIMARÃES, R. J. D. P. S.; FREITAS, C. C.; DUTRA, L. V.; MOURA, A. C. D. M.;
AMARAL, R. S.; DRUMMOND, S. C.; SCHOLTE, R. G. C.; FREITAS, C. R.;
CARVALHO, O. D. S. Analysis and estimative of schistosomiasis prevalence for Minas
Gerais state, Brazil, using multiple regression with social and environmental spatial
data. Mem Inst Oswaldo Cruz, v. 101, p. 91-96, 2006.
GUIMARÃES, R. J. D. P. S. E.; FREITAS, C. D. C.; DUTRA, L. V.; MOURA, A. C.
D. M.; AMARAL, R. S. D.; DRUMMOND, S. C.; SCHOLTE, R. G. C.; CARVALHO,
O. D. S. Schistosomiasis Risk Estimation in Minas Gerais State, Brazil, using
Environmental Data and GIS techniques. Acta Tropica, 2007. Submetido.
GUIMARÃES, R. J. P. S.; FREITAS, C. C.; DUTRA, L. V.; SHIMABUKURO, Y. E.;
CARVALHO, O. S.; MOURA, A. C. M.; AMARAL, R. S.; DRUMMOND, S. C.;
SCHOLTE, R. G. C.; FREITAS, C. R.; MELO, G. R. Comparação do modelo de
mistura com os índices de vegetação NDVI e EVI oriundos das imagens MODIS para o
Estado de Minas Gerais. In: Simpósio Brasileiro de Sensoriamento Remoto, n. 12.,
2005a, Goiânia. Anais... São José dos Campos: INPE, 2005a. p. 2665-2672.
GUIMARÃES, R. J. P. S.; FREITAS, C. C.; DUTRA, L. V.; SHIMABUKURO, Y. E.;
MOURA, A. C. M.; AMARAL, R. S.; DRUMMOND, S. C.; SCHOLTE, R. G. C.;
FREITAS, C. R.; CARVALHO, O. S. Avaliação do modelo de mistura oriundos das
imagens MODIS como uma variável para determinar a prevalência da esquistossomose
no Estado de Minas Gerais. In: Simpósio Nacional de Geografia da Saúde, n. 2., 2005b,
Rio de Janeiro. Anais... Rio de Janeiro: Fiocruz, 2005b. CD-ROM.
INSTITUTO BRASILEIRO DE GEOGRÁFIA E ESTATISTICA (IBGE). População e
domicílios - censo 2000 - resultados da amostra. Disponível em:
<http://www.ibge.gov.br/estadosat/perfil.php?sigla=mg>. Acesso em: apr. 2006.
KATZ, N.; CARVALHO, O. S. Introdução recente da esquistossomose mansoni no sul
do estado de Minas Gerais, Brasil. Memórias do Instituto Oswaldo Cruz, v. 78, p.
281-284, 1983.
KATZ, N.; DIAS, E. P.; SOUZA, C. P.; BRUCE, J. I.; COLES, G. C. Rate of action of
schistosomicides in mice infected with Schistosoma mansoni. Revista da Sociedade
Brasileira de Medicina Tropical, v. 22, n. 4, p. 183-186, 1989.
LEVENE, H. In contributions to probability and statistics: essays in honor of
harold hotelling. I. Olkin et al. Stanford University Press, 1960. 278-292 p.
MALONE, J. B.; ABDEL-RAHMAN, M. S.; EL BAHY, M. M.; HUH, O. K.;
SHAFIK, M.; BAVIA, M. Geographic information systems and the distribution of
Schistosoma mansoni in the Nile delta. Parasitology Today, v. 13, n. 3, p. 112-119,
1997.
MALONE, J. B.; BERGQUIST, N. R.; HUH, O. K.; BAVIA, M. E.; BERNARDI, M.;
EL BAHY, M. M.; FUENTES, M. V.; KRISTENSEN, T. K.; MCCARROLL, J. C.;
YILMA, J. M.; ZHOU, X. N. A global network for the control of snail-borne disease
using satellite surveillance and geographic information systems. Acta Tropica, v. 79, n.
1, p. 7-12, 2001a.
114
MALONE, J. B.; HUH, O. K.; FEHLER, D. P.; WILSON, P. A.; WILENSKY, D. E.;
HOLMES, R. A.; ELMAGDOUB, A. L. Temperature data from satellite imagery and
distribution of schistosomiasis in Egypt. American Journal of Tropical Medical and
Hygiene, v. 51, n. 3, p. 714-722, 1994.
MALONE, J. B.; YILMA, J. M.; MCCARROLL, J. C.; ERKO, B.; MUKARATIRWA,
S.; ZHOU, X. Satellite climatology and the environmental risk of Schistosoma mansoni
in Ethiopia and east Africa. Acta Tropica, v. 79, n. 1, p. 59-72, 2001b.
MARCELINO, I. P. O. Análise de episódios de tornados em Santa Catarina:
caracterização sinótica e mineração de dados. 2003-06-10. 222 p. (INPE-12145TDI/969). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de
Pesquisas Espaciais, São José dos Campos, 2003. Disponível em:
<http://urlib.net/sid.inpe.br/jeferson/2003/08.19.09.24>. Acesso em: 17 jan. 2006.
MARTINS, F. T.; DUTRA, L. V.; FREITAS, C. C.; FONSECA, F. R.; GUIMARÃES,
R. J. P. S.; SCHOLTE, R. G. C.; AMARAL, R. S.; DRUMMOND, S. C.; FREITAS, C.
R.; CARVALHO, O. S. Uso de árvore de decisão para predição da prevalência de
esquistossomose no Estado de Minas Gerais, Brazil. In: Simpósio Brasileiro de
Sensoriamento Remoto, n. 13., 2007, Florianópolis. Anais... São José dos Campos:
INPE, 2007. p. 2841-2848.
MOURA, A. C. M.; FREITAS, C. R.; DUTRA, L. V.; MELO, G. R.; CARVALHO, O.
S.; FREITAS, C. C.; AMARAL, R. S.; SCHOLTE, R. G. C.; DRUMMOND, S. C.;
GUIMARÃES, R. J. P. S. Atualização de mapa de drenagem como subsídio para
montagem de SIG para a análise da distribuição da esquistossomose em Minas Gerais.
In: Simpósio Brasileiro de Sensoriamento Remoto, n. 12., 2005, Goiânia. Anais... São
José dos Campos: INPE, 2005. p. 3551-3558.
NASA. Shuttle Radar Topography Mission. 2006. Disponível em:
<http://www2.jpl.nasa.gov/srtm/mission.htm>. Acesso em: 08 de março de 2006.
NETER, J.; KUTNER, M. H.; NACHTSSHEIM, C. J.; WASSERMAN, W. Applied
linear statistical models. 4. Boston: WCB/McGraw-Hill, 1996.
NEVES, M. C. Procedimentos eficientes para regionalização de unidades
socioeconômicas em bancos de dados geográficos. 129 p. Tese (Doutorado em
Sensoriamento Remoto) – Instituto Naciol de Pesquisas Espaciais (INPE), São José dos
Campos, 2003.
NEVES, M. C.; CAMARA, G.; ASSUNÇÃO, R. M.; FREITAS, C. C. Procedimentos
automáticos e semi-automáticos de regionalização por árvore geradora mínima. In:
SIMPÓSIO BRASILEIRO DE GEOINFORMÁTICA, 4., 2002, Caxambu. Anais...
[S.l.]: SBC/INPE/Prodabel, 2002. p. 109-116.
PELLON, A. B.; TEIXEIRA, I. Distribuição da esquistossomose mansônica no Brasil.
In: CONGRESSO BRASILEIRO DE HIGIÊNE, 8., 1950, Recife. Anais… Recife:
[s.n.], 1950. p. 117.
QUINLAN, J. R. C4.5: programs for machine learning. San Francisco, CA, USA:
Morgan Kaufmann Publishers, 1993.
115
RASO, G.; VOUNATSOU, P.; SINGER, B. H.; N'GORAN, E. K.; TANNER, M.;
UTZINGER, J. An integrated approach for risk profiling and spatial prediction of
Schistosoma mansoni–hookworm coinfection. PNAS - Proceedings of the National
Academy of Sciences of the United States of America v. 103, p. 6934–6939, 2006.
REARDON, S. F.; O’SULLIVAN, D. Measures of spatial segregation. University
Park: Pennsylvania State University, 2004. 47 p.
ROZENFELD, S. Fundamentos da vigilância sanitária. Rio de Janeiro: Fiocruz,
2000. 304 p.
SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality (complete
samples). Biometrika, v. 52, p. 591-611, 1965.
Sistema Nacional de Indicadores Urbanos (SNIU). 2005. Disponível em:
<http://www.cidades.gov.br/index.php?option=content&task=section&id=49>. Acesso
em: nov. 2005.
STANDEN, O. D. The effect of temperature, light and salinity upon the hatching of the
ova of Schistosoma mansoni. Transactions of the Royal Society of Tropical
Medicine and Hygiene, v. 45, p. 225-241, 1951.
TEIXEIRA, M. J. A schistosomose mansônica na infância em Belo Horizonte. 107 p.
Tese (Concurso à Cadeira em Pediatria da Universidade Federal de Minas Gerais) –
Imprensa Oficial, Belo Horizonte, 1920.
WEKA. Data mning software in java the university of Waikato. 2006. Disponível
em: <http://www.cs.waikato.ac.nz/ml/weka/>. Acesso em: jun, 2006.
WHO. The control of schistosomiasis. Geneva: World Health Organization, 1993. 94
p.
WONG, D. W. S. Measuring multiethnic spatial segregation. Urban Geography, v. 19,
p. 77-87, 1998.
YANG, G.-J.; VOUNATSOU, P.; XIAO-NONG, Z.; UTZINGER, J.; TANNER, M. A
review of geographic information system and remote sensing with applications to the
epidemiology and control of schistosomiasis in China. Acta Tropica, v. 96, n. 2-3, p.
117-129, 2005a.
YANG, G.-J.; VOUNATSOU, P.; ZHOU, X.-N.; TANNER, M.; UTZINGER, J. A
Bayesian-based approach for spatio-temporal modeling of county level prevalence of
Schistosoma japonicum infection in Jiangsu province, China. International Journal
for Parasitology, v. 35, n. 2, p. 155-162, 2005b.
ZADEH, L. A. Fuzzy Sets, Information and Control. In: Yuan, G. J. K. e. B. (Ed.).
Fuzzy sets., v. 8. World Scientific, 1965, p. 338-353.
ZHOU, X. N.; MALONE, J. B.; KRISTENSEN, T. K.; BERGQUIST, N. R.
Application of geographic information systems and remote sensing to schistosomiasis
control in China. Acta Tropica, v. 79, n. 1, p. 97-106, 2001.
116
APÊNDICE A
TABELA A.1 – Correlação entre as variáveis do modelo global.
117
Ln(Prev)
SanRioLago
Dec
Veg_I
Tmin_V
AH2
SanRioLago
*Veg_I
SanRioLago
*AH2
Dec*Veg_I
Ln(Prev)
1,00
0,26
0,39
0,47
0,41
-0,39
0,28
0,25
0,44
SanRioLago
0,26
1,00
0,62
0,23
0,00
-0,55
0,98
1,00
0,46
Dec
0,39
0,62
1,00
0,64
0,28
-0,74
0,66
0,63
0,91
Veg_I
0,47
0,23
0,64
1,00
0,26
-0,44
0,35
0,23
0,88
Tmin_V
0,41
0,00
0,28
0,26
1,00
-0,05
0,04
0,02
0,32
AH2
-0,39
-0,55
-0,74
-0,44
-0,05
1,00
-0,54
-0,53
-0,63
SanRioLago*Veg_I
0,28
0,98
0,66
0,35
0,04
-0,54
1,00
0,98
0,57
SanRioLago*AH2
0,25
1,00
0,63
0,23
0,02
-0,53
0,98
1,00
0,47
Dec*Veg_I
0,44
0,46
0,91
0,88
0,32
-0,63
0,57
0,47
1,00
Os valores em negrito da Tabela A.1 são referentes às variáveis que possuem correlação significativa a 5% de significância.
Assim como na Tabela A.1, os valores em negrito das Tabelas A.2, A.3, A.4 e A.5 são
referentes às variáveis que possuem correlação significativa a 5% de significância.
TABELA A.2 – Correlação entre as variáveis do modelo para a região 1.
Ln(Prev)
HomoUrb
MIR_V
Ln(Prev)
1,00
-0,51
0,59
HomoUrb
-0,51
1,00
-0,10
MIR_V
0,59
-0,10
1,00
TABELA A.3 – Correlação entre as variáveis do modelo para a região 2.
Ln(Prev)
HomoCEst
Est1
IDH_00
DEM
Dec
Ln(Prev)
1,00
-0,40
0,27
-0,31
-0,33
0,29
HomoCEst
-0,40
1,00
-0,37
0,59
-0,17
-0,05
Est1
0,27
-0,37
1,00
-0,62
-0,19
0,19
IDH_00
-0,31
0,59
-0,62
1,00
-0,14
0,01
DEM
-0,33
-0,17
-0,19
-0,14
1,00
0,26
Dec
0,29
-0,05
0,19
0,01
0,26
1,00
TABELA A.4 – Correlação entre as variáveis do modelo para a região 3.
Ln(Prev)
HomoOutro
SanRede
IDHL_00
AH2
Ln(Prev)
1,00
0,31
0,33
-0,41
-0,67
HomoOutro
0,31
1,00
0,22
0,07
0,09
SanRede
0,33
0,22
1,00
0,04
-0,09
IDHL_00
-0,41
0,07
0,04
1,00
0,32
AH2
-0,67
0,09
-0,09
0,32
1,00
TABELA A.5 – Correlação entre as variáveis do modelo para a região 4.
Ln(Prev)
DispSBan
BLUE_I
PREC_I
Ln(Prev)
1,00
0,45
-0,67
0,40
DispSBan
0,45
1,00
-0,12
0,25
BLUE_I
-0,67
-0,12
1,00
-0,04
PREC_I
0,40
0,25
-0,04
1,00
118
APÊNDICE B
Nas Tabelas B1, B2, B4 e B6 são apresentadas as matrizes de confusão da estimativa
global, regional e da classificação pela árvore de decisão para cada uma das regiões
usando o conjunto de treinamento. As Tabelas B3, B5 e B6 apresentam as matrizes de
confusão para as regiões 2, 3 e 4 respectivamente da estimativa global, regional e da
classificação por árvore de decisão usando o conjunto de validação.
TABELA B.1- Matriz de confusão Região 1 – Conjunto de Treinamento.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média Alta Baixa Média Alta Baixa Média Alta
3
0
2
0
1
1
5
6
6
Baixa (8)
62,50 37,50 0,00 75,00 25,00 0,00 75,00 12,50 12,50
1
1
3
0
2
0
3
2
3
Média (5)
20,00 60,00 20,00 60,00 40,00 0,00 40,00 60,00 0,00
1
2
0
2
1
1
0
1
1
Alta (3)
33,33 66,67 0,00
0,00
66,67 33,33 33,33 33,33 33,33
TABELA B.2 - Matriz de confusão Região 2 – Conjunto de Treinamento.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média Alta
Baixa Média Alta
Baixa Média Alta
2
1
4
0
1
1
2
1
3
Baixa (5)
40,00 40,00 20,00 20,00 80,00
0,00
60,00 20,00 20,00
1
10
0
6
6
11
16
21
10
Média (27)
3,70
77,78 22,22 22,22 37,04 40,74
59,26 37,04
0,00
0
20
0
17
0
2
7
10
25
Alta (27)
0,00
74,07 25,93
0,00
0,00
7,41
62,96 37,04
92,59
TABELA B.3 – Matriz de confusão Região 2 – Conjunto de Teste.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média Alta Baixa Média
Alta
Baixa Média Alta
3
1
4
0
1
2
0
0
1
Baixa (4)
75,00 25,00 0,00
100,00
0,00
0,00
25,00 25,00 50,00
1
5
1
7
2
8
7
5
3
Média (13)
7,69
38,46
53,85 15,38 23,08 61,54
53,85 38,46 7,69
0
7
0
7
1
5
3
3
4
Alta (10)
0,00
70,00 30,00 0,00
30,00 10,00 50,00 40,00
70,00
TABELA B.4 – Matriz de confusão Região 3 – Conjunto de Treinamento.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média Alta
Baixa Média
Alta
Baixa Média
Alta
4
0
5
2
3
0
5
2
6
Baixa (9)
0,00
22,22 55,56 22,22 66,67 33,33
0,00
55,56 44,44
2
6
0
11
3
4
4
1
5
Média (12)
16,67 33,33 50,00
8,33
91,67 25,00 41,67 33,33
0,00
0
8
0
0
0
0
15
23
23
Alta (23)
0,00
34,78 65,22
0,00
0,00 100,00
0,00 100,00 0,00
119
Baixa (2)
Média (6)
Alta (6)
TABELA B.5 - Matriz de confusão Região 3 – Conjunto de Teste.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média
Alta Baixa Média
Alta
Baixa Média
Alta
2
0
2
0
2
0
0
0
0
100,00
0,00
0,00
100,00
100,00
0,00
0,00
0,00
0,00
1
3
0
6
1
3
2
0
2
16,67
50,00
0,00
100,00
16,67
50,00
33,33
0,00
33,33
1
3
0
0
2
1
2
6
3
16,67
50,00
0,00
100,00
33,33
16,67
33,33
0,00
50,00
TABELA B.6 – Matriz de confusão Região 4 – Conjunto de Treinamento.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média Alta
Baixa Média Alta
Baixa Média Alta
2
0
0
0
0
0
11
13
13
Baixa (13)
0,00
0,00
0,00
84,62 15,38 0,00 100,00
0,00 100,00
2
0
3
0
3
2
5
4
2
Média (7)
28,57 71,43 0,00
57,14 0,00
42,86
42,86
28,57 28,57
1
7
1
7
1
0
0
0
7
Alta (8)
12,50 87,50 0,00
12,50
12,50
0,00
87,50 0,00
87,50
Baixa (5)
Média (3)
Alta (1)
TABELA B.7 – Matriz de confusão Região 4 – Conjunto de Teste.
Estimativa Global
Estimativa Regional
Classificação Árvore
Baixa Média
Alta
Baixa
Média
Alta
Baixa Média
Alta
2
0
0
0
0
1
3
5
4
40,00
0,00
100,00
0,00
0,00
20,00
60,00
0,00
80,00
0
0
0
0
0
3
3
3
0
0,00
0,00
100,00
0,00
0,00
100,00
100,00
0,00
0,00
0
0
0
0
1
0
1
1
0
0,00
0,00
0,00
100,00 100,00 0,00
100,00
0,00
0,00
120
APÊNDICE C
A Tabela C.2 apresenta os 853 municípios do Estado de Minas Gerais com as regiões definidas nesta dissertação (seção 6.2) e os
resultados das estimativas de risco da prevalência da esquistossomose para o modelo global e regional, além da classificação obtida
através da árvore de decisão. A seguir são apresentadas as siglas das estimativas mostradas na Tabela C.2.
TABELA C.1 – Siglas das estimativas mostradas na Tabela C.2
121
EstimadoG
LimInfG
LimSupG
ClassImprecisaG
EstimadoR
LimInfR
LimSupR
ClassImprecisaR
Árvore
Estimativa do modelo de regressão linear global (Figura 6.4a)
Limite inferior do modelo global (Figura 6.6b)
Limite superior do modelo global (Figura 6.6c)
Classificação imprecisa do modelo global a 55% de confiança (Figura 6.6a)
Estimativa do modelo de regressão linear regional (Figura 6.8a)
Limite inferior do modelo regional (Figura 6.10b)
Limite superior do modelo regional (Figura 6.10c)
Classificação imprecisa do modelo regional a 60% de confiança (Figura 6.10a)
Classificação pela árvore de decisão (Figura 6.12a)
TABELA C.2 – Estimativa do risco da prevalência pelo modelo Global, pelo Modelo Regional e pela Árvore de decisão.
COD
3100104
3100203
3100302
3100401
3100500
3100609
3100708
3100807
3100906
3101003
3101102
3101201
3101300
MUNICIPIO
ABADIA DOS DOURADOS
ABAETE
ABRE-CAMPO
ACAIACA
ACUCENA
AGUA BOA
AGUA COMPRIDA
AGUANIL
AGUAS FORMOSAS
AGUAS VERMELHAS
AIMORES
AIURUOCA
ALAGOA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
1
6,656
3,387
12,361
Baixa/Média
19,409
8,468
35,241
Média/Alta
Baixa
1
0,011
-0,470
0,932
Baixa
10,035
4,444
17,475
Baixa/Alta
Baixa
2
11,939
6,385
21,672
Média/Alta
12,433
7,744
17,504
Média/Alta
Média
2
7,141
3,632
13,310
Baixa/Média
14,025
9,338
20,414
Média/Alta
Baixa
3
12,512
6,694
22,728
Média/Alta
38,066
7,650
22,720
Média/Alta
Alta
3
16,988
9,342
30,289
Média/Alta
66,184
16,031
48,352
Alta
Média
1
1,047
0,154
2,631
Baixa
3,289
1,254
6,787
Baixa/Média
Baixa
1
2,364
0,921
4,890
Baixa
4,532
1,819
8,466
Baixa/Média
Baixa
3
26,032
14,390 46,481
Média/Alta
30,754
18,355
55,751
Alta
Alta
4
7,447
3,705
14,163
Baixa/Média
10,176
7,912
29,534
Média/Alta
Alta
2
18,633
10,184 33,466
Média/Alta
12,040
7,898
17,773
Média/Alta
Alta
1
7,669
3,965
14,136
Baixa/Média
5,047
1,884
8,609
Baixa/Média
Alta
1
2,934
1,177
6,109
Baixa/Média
6,349
2,730
11,414
Baixa/Média
Alta
(Continua)
TABELA C.2 – Continuação.
122
COD
3101409
3101508
3101607
3101631
3101706
3101805
3101904
3102001
3102050
3102100
3102209
3102308
3102407
3102506
3102605
3102704
3102803
3102852
3102902
3103009
3103108
3103207
3103306
3103405
3103504
3103603
3103702
3103751
3103801
3103900
3104007
3104106
3104205
3104304
3104403
3104452
3104502
3104601
3104700
MUNICIPIO
ALBERTINA
ALEM PARAIBA
ALFENAS
ALFREDO VASCONCELOS
ALMENARA
ALPERCATA
ALPINOPOLIS
ALTEROSA
ALTO CAPARAO
ALTO RIO DOCE
ALVARENGA
ALVINOPOLIS
ALVORADA DE MINAS
AMPARO DA SERRA
ANDRADAS
CACHOEIRA DE PAJEU
ANDRELANDIA
ANGELANDIA
ANTONIO CARLOS
ANTONIO DIAS
ANTONIO PRADO DE MINAS
ARACAI
ARACITABA
ARACUAI
ARAGUARI
ARANTINA
ARAPONGA
ARAPORA
ARAPUA
ARAUJOS
ARAXA
ARCEBURGO
ARCOS
AREADO
ARGIRITA
ARICANDUVA
ARINOS
ASTOLFO DUTRA
ATALEIA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
2,759
1,119
5,668
Baixa/Média
6,250
2
6,762
3,453
12,529
Baixa/Média
4,515
1
2,073
0,745
4,412
Baixa
3,422
2
9,115
4,687
16,990
Baixa/Alta
4,905
3
12,229
6,498
22,339
Média/Alta
15,823
2
12,222
6,559
22,130
Média/Alta
11,979
1
5,289
2,600
9,986
Baixa/Média
6,000
1
3,504
1,560
6,922
Baixa/Média
3,625
2
10,436
5,388
19,472
Média/Alta
9,718
2
8,849
4,562
16,439
Baixa/Alta
8,845
2
8,068
4,138
15,003
Baixa/Alta
20,967
2
11,430
6,120
20,700
Média/Alta
8,063
3
10,625
5,624
19,400
Média/Alta
27,637
2
15,321
8,265
27,749
Média/Alta
11,568
1
2,456
0,961
5,089
Baixa/Média
3,955
3
15,671
8,538
28,139
Média/Alta
40,857
2
3,625
1,636
7,115
Baixa/Média
3,874
3
20,822
11,452 37,241
Média/Alta
16,818
2
7,996
4,048
15,031
Baixa/Alta
4,736
2
12,322
6,559
22,480
Média/Alta
14,648
2
15,300
8,253
27,712
Média/Alta
22,137
3
2,896
1,229
5,812
Baixa/Média
4,830
2
2,312
0,860
4,897
Baixa
12,250
3
6,713
3,402
12,512
Baixa/Média
27,877
1
5,283
2,601
9,964
Baixa/Média
1,686
2
6,031
3,007
11,337
Baixa/Média
5,304
2
11,381
5,993
20,921
Média/Alta
11,962
1
2,887
1,197
5,877
Baixa/Média
2,328
1
4,697
2,264
8,943
Baixa/Média
5,846
1
5,243
2,575
9,902
Baixa/Média
3,675
1
6,134
3,074
11,491
Baixa/Média
4,992
1
4,642
2,227
8,865
Baixa/Média
2,153
1
5,001
2,440
9,469
Baixa/Média
8,507
1
2,962
1,249
5,979
Baixa/Média
4,909
2
6,762
3,455
12,526
Baixa/Média
16,564
3
19,797
10,873 35,429
Média/Alta
39,687
4
8,832
4,594
16,282
Baixa/Alta
9,492
2
2,736
1,129
5,554
Baixa/Média
12,085
3
16,739
9,141
30,028
Média/Alta
42,498
LimInfR LimSupR ClassImprecisaR Árvore
2,807
11,657
Baixa/Média
Baixa
3,541
9,540
Baixa/Média
Média
1,623
8,403
Baixa/Média
Baixa
0,471
2,508
Baixa
Baixa
11,464
35,256
Média/Alta
Alta
7,064
16,284
Média/Alta
Baixa
2,442
10,298
Baixa/Média
Baixa
1,152
6,266
Baixa/Média
Baixa
1,688
5,774
Baixa/Média
Alta
4,014
9,537
Baixa/Média
Baixa
15,179
34,239
Alta
Alta
4,215
10,142
Baixa/Média
Média
3,456
11,662
Baixa/Média
Baixa
6,386
14,355
Média
Baixa
1,073
5,849
Baixa/Média
Baixa
6,006
18,590
Média/Alta
Alta
0,261
2,018
Baixa
Baixa
5,676
17,486
Média/Alta
Alta
0,506
2,560
Baixa
Baixa
11,134
25,024
Média/Alta
Alta
18,903
42,499
Alta
Alta
0,472
3,276
Baixa
Baixa
8,836
19,808
Média/Alta
Baixa
5,547
18,895
Média/Alta
Baixa
0,877
7,867
Baixa/Média
Baixa
0,423
2,455
Baixa
Baixa
4,602
11,646
Baixa/Média
Média
0,758
5,288
Baixa/Média
Baixa
2,608
10,997
Baixa/Média
Baixa
1,457
7,324
Baixa/Média
Alta
3,766
18,881
Baixa/Alta
Baixa
0,590
4,735
Baixa
Baixa
4,068
16,224
Baixa/Alta
Alta
2,033
9,016
Baixa/Média
Baixa
10,278
23,197
Média/Alta
Média
7,013
20,956
Média/Alta
Média
6,640
29,522
Média/Alta
Baixa
6,736
16,558
Média/Alta
Alta
13,449
38,852
Média/Alta
Alta
(Continua)
TABELA C.2 – Continuação.
123
COD
3104809
3104908
3105004
3105103
3105202
3105301
3105400
3105509
3105608
3105707
3105905
3106002
3106101
3106200
3106309
3106408
3106507
3106606
3106655
3106705
3106804
3106903
3107000
3107109
3107208
3107307
3107406
3107505
3107604
3107703
3107802
3107901
3108008
3108107
3108206
3108255
3108305
3108404
MUNICIPIO
AUGUSTO DE LIMA
BAEPENDI
BALDIM
BAMBUI
BANDEIRA
BANDEIRA DO SUL
BARAO DE COCAIS
BARAO DO MONTE ALTO
BARBACENA
BARRA LONGA
BARROSO
BELA VISTA DE MINAS
BELMIRO BRAGA
BELO HORIZONTE
BELO ORIENTE
BELO VALE
BERILO
BERTOPOLIS
BERIZAL
BETIM
BIAS FORTES
BICAS
BIQUINHAS
BOA ESPERANCA
BOCAINA DE MINAS
BOCAIUVA
BOM DESPACHO
BOM JARDIM DE MINAS
BOM JESUS DA PENHA
BOM JESUS DO AMPARO
BOM JESUS DO GALHO
BOM REPOUSO
BOM SUCESSO
BONFIM
BONFINOPOLIS DE MINAS
BONITO DE MINAS
BORDA DA MATA
BOTELHOS
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
4
1,159
0,224
2,806
Baixa
2,110
1,095
5,824
Baixa/Média
Baixa
1
4,513
2,157
8,630
Baixa/Média
6,326
2,311
9,884
Baixa/Média
Média
1
6,083
3,049
11,390
Baixa/Média
20,230
8,528
35,918
Média/Alta
Alta
1
5,720
2,851
10,729
Baixa/Média
5,415
2,177
9,414
Baixa/Média
Baixa
3
7,842
3,940
14,824
Baixa/Média
32,039
9,939
29,637
Média/Alta
Alta
1
2,369
0,909
4,944
Baixa
7,737
3,681
14,583
Baixa/Média
Baixa
1
10,121
5,365
18,431
Média/Alta
2,638
1,071
6,056
Baixa/Média
Alta
2
20,426
11,269 36,416
Média/Alta
15,384
12,350
26,922
Média/Alta
Média
2
4,598
2,154
8,938
Baixa/Média
-0,926
-0,967
-0,914
Baixa
Baixa
2
8,207
4,249
15,147
Baixa/Alta
15,079
14,320
31,697
Média/Alta
Baixa
2
2,629
1,053
5,417
Baixa/Média
2,842
0,323
2,126
Baixa
Baixa
1
8,428
4,388
15,495
Baixa/Alta
3,433
1,431
7,226
Baixa/Média
Alta
2
5,289
2,559
10,112
Baixa/Média
13,842
7,293
16,747
Média/Alta
Baixa
1
1,861
0,608
4,090
Baixa
-1,000
3,541
4,826
Baixa
Baixa
2
37,304
20,631 66,829
Alta
9,743
7,135
16,098
Média/Alta
Alta
1
3,146
1,362
6,278
Baixa/Média
6,333
2,378
10,194
Baixa/Média
Baixa
3
7,359
3,790
13,587
Baixa/Média
24,575
2,797
9,681
Baixa/Média
Alta
3
24,630
13,629 43,905
Média/Alta
28,875
10,921
33,498
Média/Alta
Alta
4
5,639
2,776
10,674
Baixa/Média
8,774
5,566
21,674
Média/Alta
Alta
1
5,911
2,948
11,097
Baixa/Média
0,212
-0,051
49,379
Baixa/Alta
Baixa
2
4,266
1,958
8,374
Baixa/Média
10,073
3,880
9,435
Baixa/Média
Baixa
2
3,162
1,367
6,317
Baixa/Média
6,940
2,252
6,860
Baixa/Média
Baixa
1
-0,082
-0,518
0,750
Baixa
9,610
4,492
17,615
Baixa/Alta
Baixa
1
1,787
0,587
3,894
Baixa
4,015
1,275
6,560
Baixa/Média
Baixa
1
8,161
4,123
15,384
Baixa/Alta
3,767
1,302
6,836
Baixa/Média
Alta
3
2,079
0,757
4,396
Baixa
3,411
0,423
3,328
Baixa
Baixa
1
4,295
2,030
8,252
Baixa/Média
5,683
2,812
11,855
Baixa/Média
Alta
2
4,879
2,355
9,303
Baixa/Média
6,354
0,823
3,397
Baixa
Baixa
1
5,901
2,939
11,092
Baixa/Média
6,380
2,863
11,828
Baixa/Média
Baixa
1
17,700
9,647
31,843
Média/Alta
3,681
1,264
6,715
Baixa/Média
Média
2
13,567
7,380
24,325
Média/Alta
11,642
9,513
21,074
Média/Alta
Alta
1
2,507
0,972
5,239
Baixa/Média
3,026
0,733
5,007
Baixa/Média
Baixa
1
5,485
2,671
10,454
Baixa/Média
7,553
3,225
12,962
Baixa/Média
Baixa
1
3,041
1,299
6,102
Baixa/Média
4,949
1,723
8,078
Baixa/Média
Baixa
1
6,932
3,524
12,907
Baixa/Média
23,541
10,144
43,816
Média/Alta
Baixa
4
9,749
5,066
18,046
Média/Alta
8,404
6,617
24,615
Média/Alta
Alta
1
1,832
0,590
4,041
Baixa
4,141
1,562
7,523
Baixa/Média
Baixa
1
3,166
1,369
6,329
Baixa/Média
4,647
1,633
7,710
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
124
COD
3108503
3108552
3108602
3108701
3108800
3108909
3109006
3109105
3109204
3109253
3109303
3109402
3109451
3109501
3109600
3109709
3109808
3109907
3110004
3110103
3110202
3110301
3110400
3110509
3110608
3110707
3110806
3110905
3111002
3111101
3111150
3111200
3111309
3111408
3111507
3111606
3111705
3111804
MUNICIPIO
BOTUMIRIM
BRASILANDIA DE MINAS
BRASILIA DE MINAS
BRAS PIRES
BRAUNAS
BRASOPOLIS
BRUMADINHO
BUENO BRANDAO
BUENOPOLIS
BUGRE
BURITIS
BURITIZEIRO
CABECEIRA GRANDE
CABO VERDE
CACHOEIRA DA PRATA
CACHOEIRA DE MINAS
CACHOEIRA DOURADA
CAETANOPOLIS
CAETE
CAIANA
CAJURI
CALDAS
CAMACHO
CAMANDUCAIA
CAMBUI
CAMBUQUIRA
CAMPANARIO
CAMPANHA
CAMPESTRE
CAMPINA VERDE
CAMPO AZUL
CAMPO BELO
CAMPO DO MEIO
CAMPO FLORIDO
CAMPOS ALTOS
CAMPOS GERAIS
CANAA
CANAPOLIS
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
3
5,526
2,746
10,368
Baixa/Média
9,866
0,296
2,791
Baixa
Média
4
7,723
3,982
14,274
Baixa/Média
1,888
0,782
5,358
Baixa/Média
Baixa
4
12,317
6,588
22,371
Média/Alta
7,466
8,908
31,269
Média/Alta
Alta
2
6,091
3,017
11,517
Baixa/Média
10,715
6,384
14,631
Média
Baixa
3
11,726
6,211
21,459
Média/Alta
28,815
5,304
16,404
Média/Alta
Alta
1
1,039
0,121
2,707
Baixa
3,231
0,729
4,890
Baixa
Baixa
1
4,242
1,995
8,175
Baixa/Média
3,404
1,050
5,813
Baixa/Média
Baixa
1
2,662
1,070
5,478
Baixa/Média
3,048
0,716
4,936
Baixa
Baixa
4
1,602
0,480
3,572
Baixa
3,102
2,053
8,889
Baixa/Média
Baixa
2
36,864
19,891 67,629
Alta
15,447
10,086
22,451
Média/Alta
Alta
4
4,503
2,129
8,678
Baixa/Média
0,546
0,052
2,679
Baixa
Baixa
4
10,089
5,334
18,414
Média/Alta
1,790
1,345
6,696
Baixa/Média
Baixa
1
4,041
1,881
7,821
Baixa/Média
31,729
13,815
64,305
Média/Alta
Baixa
1
3,649
1,649
7,159
Baixa/Média
4,462
1,224
6,409
Baixa/Média
Baixa
1
5,559
2,762
10,436
Baixa/Média
8,795
4,403
17,138
Baixa/Alta
Baixa
1
1,454
0,367
3,403
Baixa
3,355
0,968
5,714
Baixa/Média
Baixa
1
1,397
0,339
3,292
Baixa
3,984
1,684
8,095
Baixa/Média
Baixa
1
3,160
1,382
6,267
Baixa/Média
20,485
9,740
40,830
Média/Alta
Baixa
1
11,972
6,401
21,735
Média/Alta
2,831
1,122
6,212
Baixa/Média
Alta
2
23,755
13,171 42,245
Média/Alta
10,923
4,485
10,650
Baixa/Média
Média
2
15,474
8,244
28,358
Média/Alta
9,566
4,397
10,360
Baixa/Média
Baixa
1
1,404
0,353
3,272
Baixa
7,332
2,699
11,259
Baixa/Média
Baixa
1
6,422
3,241
11,989
Baixa/Média
13,027
5,784
22,916
Média/Alta
Baixa
1
1,315
0,283
3,177
Baixa
1,860
0,193
3,335
Baixa
Baixa
1
0,661
-0,080
1,999
Baixa
2,116
0,448
4,105
Baixa
Baixa
1
3,961
1,837
7,676
Baixa/Média
3,506
1,298
6,749
Baixa/Média
Baixa
2
20,146
11,128 35,868
Média/Alta
15,175
12,360
26,845
Média/Alta
Alta
1
4,102
1,904
7,966
Baixa/Média
6,546
2,978
12,088
Baixa/Média
Baixa
1
2,894
1,208
5,865
Baixa/Média
8,250
2,352
10,162
Baixa/Média
Baixa
1
8,297
4,301
15,307
Baixa/Alta
7,177
2,680
11,137
Baixa/Média
Baixa
4
10,809
5,747
19,667
Média/Alta
3,464
1,999
9,115
Baixa/Média
Baixa
1
5,269
2,553
10,062
Baixa/Média
6,730
3,256
13,735
Baixa/Média
Baixa
1
1,391
0,359
3,203
Baixa
3,496
1,353
6,961
Baixa/Média
Baixa
1
5,058
2,463
9,597
Baixa/Média
4,375
1,715
8,104
Baixa/Média
Baixa
1
7,296
3,760
13,461
Baixa/Média
9,769
4,741
18,367
Baixa/Alta
Média
1
2,604
1,053
5,328
Baixa/Média
3,415
0,705
4,730
Baixa
Baixa
2
13,488
7,218
24,541
Média/Alta
11,868
8,893
19,984
Média/Alta
Média
1
4,898
2,352
9,379
Baixa/Média
3,651
1,419
7,148
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
125
COD
3111903
3112000
3112059
3112109
3112208
3112307
3112406
3112505
3112604
3112653
3112703
3112802
3112901
3113008
3113107
3113206
3113305
3113404
3113503
3113602
3113701
3113800
3113909
3114006
3114105
3114204
3114303
3114402
3114501
3114550
3114600
3114709
3114808
3114907
3115003
3115102
3115201
3115300
MUNICIPIO
CANA VERDE
CANDEIAS
CANTAGALO
CAPARAO
CAPELA NOVA
CAPELINHA
CAPETINGA
CAPIM BRANCO
CAPINOPOLIS
CAPITAO ANDRADE
CAPITAO ENEIAS
CAPITOLIO
CAPUTIRA
CARAI
CARANAIBA
CARANDAI
CARANGOLA
CARATINGA
CARBONITA
CAREACU
CARLOS CHAGAS
CARMESIA
CARMO DA CACHOEIRA
CARMO DA MATA
CARMO DE MINAS
CARMO DO CAJURU
CARMO DO PARANAIBA
CARMO DO RIO CLARO
CARMOPOLIS DE MINAS
CARNEIRINHO
CARRANCAS
CARVALHOPOLIS
CARVALHOS
CASA GRANDE
CASCALHO RICO
CASSIA
CONCEICAO DA BARRA DE MINAS
CATAGUASES
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
1
9,553
4,861
18,003
Baixa/Alta
7,633
3,271
13,224
Baixa/Média
Baixa
1
4,981
2,411
9,487
Baixa/Média
11,152
4,310
17,223
Baixa/Alta
Baixa
3
20,050
11,044 35,792
Média/Alta
48,914
10,305
30,595
Média/Alta
Média
2
15,198
8,204
27,507
Média/Alta
12,062
4,426
10,933
Baixa/Média
Alta
2
11,047
5,763
20,459
Média/Alta
7,735
2,940
7,518
Baixa/Média
Baixa
3
15,446
8,419
27,718
Média/Alta
27,658
10,605
31,673
Média/Alta
Alta
1
5,893
2,951
11,027
Baixa/Média
3,102
1,096
6,226
Baixa/Média
Alta
1
5,047
2,466
9,550
Baixa/Média
7,185
3,501
13,877
Baixa/Média
Baixa
1
2,535
0,992
5,275
Baixa/Média
3,389
1,376
7,004
Baixa/Média
Baixa
2
10,492
5,574
19,089
Média/Alta
16,525
14,323
31,085
Média/Alta
Baixa
4
2,565
1,033
5,252
Baixa/Média
2,416
1,565
7,290
Baixa/Média
Baixa
1
2,718
1,124
5,509
Baixa/Média
6,996
3,089
12,539
Baixa/Média
Baixa
2
17,872
9,763
32,090
Média/Alta
11,529
7,141
15,993
Média/Alta
Média
3
24,035
13,305 42,813
Média/Alta
90,714
19,046
56,617
Alta
Alta
2
8,016
4,103
14,932
Baixa/Média
8,558
3,068
7,730
Baixa/Média
Baixa
2
6,801
3,408
12,807
Baixa/Média
2,978
-0,038
1,398
Baixa
Baixa
2
11,503
6,143
20,882
Média/Alta
6,706
2,427
7,045
Baixa/Média
Média
2
13,211
7,174
23,707
Média/Alta
1,523
0,792
2,863
Baixa
Média
3
4,917
2,381
9,355
Baixa/Média
3,740
0,686
4,011
Baixa
Média
1
1,802
0,583
3,960
Baixa
2,808
0,939
5,779
Baixa/Média
Baixa
3
26,874
14,887 47,905
Média/Alta
27,393
13,776
40,208
Média/Alta
Média
2
9,617
5,049
17,633
Média/Alta
14,811
9,193
20,478
Média/Alta
Alta
1
5,826
2,896
10,959
Baixa/Média
5,154
1,906
8,603
Baixa/Média
Baixa
1
4,900
2,369
9,334
Baixa/Média
4,971
1,997
8,912
Baixa/Média
Baixa
1
6,216
3,132
11,603
Baixa/Média
3,576
1,075
6,014
Baixa/Média
Baixa
1
3,992
1,856
7,726
Baixa/Média
6,201
2,703
11,149
Baixa/Média
Baixa
1
4,968
2,427
9,393
Baixa/Média
14,115
5,810
23,671
Média/Alta
Baixa
1
1,274
0,291
3,004
Baixa
5,345
1,785
8,147
Baixa/Média
Baixa
1
3,695
1,677
7,235
Baixa/Média
7,892
2,990
12,239
Baixa/Média
Baixa
1
7,478
3,810
13,945
Baixa/Média
7,925
3,287
13,281
Baixa/Média
Baixa
1
3,245
1,424
6,433
Baixa/Média
5,854
2,532
10,735
Baixa/Média
Baixa
1
2,289
0,858
4,822
Baixa
7,487
3,502
14,006
Baixa/Média
Baixa
1
9,150
4,778
16,831
Baixa/Alta
4,018
1,492
7,433
Baixa/Média
Média
2
4,806
2,291
9,243
Baixa/Média
5,256
1,260
4,188
Baixa
Baixa
1
6,243
3,156
11,622
Baixa/Média
5,423
2,338
10,123
Baixa/Média
Baixa
1
4,439
2,121
8,480
Baixa/Média
2,819
0,850
5,358
Baixa/Média
Baixa
1
3,037
1,290
6,118
Baixa/Média
4,633
1,921
8,782
Baixa/Média
Baixa
2
8,826
4,645
16,106
Baixa/Alta
0,939
0,540
2,674
Baixa
Média
(Continua)
TABELA C.2 – Continuação.
126
COD
3115359
3115409
3115458
3115474
3115508
3115607
3115706
3115805
3115904
3116001
3116100
3116159
3116209
3116308
3116407
3116506
3116605
3116704
3116803
3116902
3117009
3117108
3117207
3117306
3117405
3117504
3117603
3117702
3117801
3117836
3117876
3117900
3118007
3118106
3118205
3118304
3118403
3118502
MUNICIPIO
CATAS ALTAS
CATAS ALTAS DA NORUEGA
CATUJI
CATUTI
CAXAMBU
CEDRO DO ABAETE
CENTRAL DE MINAS
CENTRALINA
CHACARA
CHALE
CHAPADA DO NORTE
CHAPADA GAUCHA
CHIADOR
CIPOTANEA
CLARAVAL
CLARO DOS POCOES
CLAUDIO
COIMBRA
COLUNA
COMENDADOR GOMES
COMERCINHO
CONCEICAO DA APARECIDA
CONCEICAO DAS PEDRAS
CONCEICAO DAS ALAGOAS
CONCEICAO DE IPANEMA
CONCEICAO DO MATO DENTRO
CONCEICAO DO PARA
CONCEICAO DO RIO VERDE
CONCEICAO DOS OUROS
CONEGO MARINHO
CONFINS
CONGONHAL
CONGONHAS
CONGONHAS DO NORTE
CONQUISTA
CONSELHEIRO LAFAIETE
CONSELHEIRO PENA
CONSOLACAO
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
6,369
3,206
11,913
Baixa/Média
4,311
2
13,539
7,194
24,795
Média/Alta
9,180
3
25,096
13,770 45,104
Média/Alta
43,467
4
3,570
1,610
7,004
Baixa/Média
-0,599
1
4,918
2,382
9,357
Baixa/Média
2,216
1
5,411
2,679
10,172
Baixa/Média
5,172
2
12,787
6,862
23,178
Média/Alta
16,860
1
4,452
2,089
8,624
Baixa/Média
4,070
2
3,231
1,385
6,506
Baixa/Média
9,599
2
24,969
13,627 45,107
Média/Alta
17,308
3
11,628
6,252
20,987
Média/Alta
36,589
4
11,738
6,261
21,346
Média/Alta
9,098
2
4,070
1,900
7,863
Baixa/Média
16,308
2
6,123
3,032
11,585
Baixa/Média
10,646
1
3.933
1.830
7.599
Baixa/Média
9,072
4
2,543
1,026
5,196
Baixa/Média
2,698
1
5,655
2,798
10,662
Baixa/Média
5,265
2
7,704
3,942
14,327
Baixa/Média
8,272
3
12,526
6,708
22,733
Média/Alta
37,991
1
8,178
4,242
15,071
Baixa/Alta
5,832
3
4,867
2,346
9,290
Baixa/Média
40,264
1
4,600
2,196
8,812
Baixa/Média
3,932
1
4,458
2,069
8,709
Baixa/Média
5,572
1
1,159
0,213
2,843
Baixa
3,552
2
18,078
9,895
32,409
Média/Alta
18,121
2
6,056
3,045
11,307
Baixa/Média
6,545
1
7,498
3,856
13,872
Baixa/Média
3,191
1
4,149
1,949
7,992
Baixa/Média
2,568
1
1,135
0,180
2,866
Baixa
3,071
4
9,965
5,180
18,454
Média/Alta
12,280
1
3,517
1,583
6,899
Baixa/Média
7,475
1
1,542
0,422
3,542
Baixa
5,807
1
3,460
1,540
6,830
Baixa/Média
4,378
3
3,391
1,511
6,681
Baixa/Média
14,866
1
2,114
0,774
4,465
Baixa
2,480
1
4,414
2,065
8,564
Baixa/Média
3,533
2
10,104
5,338
18,454
Média/Alta
12,848
1
1,602
0,433
3,723
Baixa
4,401
LimInfR LimSupR ClassImprecisaR Árvore
1,784
8,348
Baixa/Média
Baixa
4,611
10,867
Baixa/Média
Baixa
10,021
29,151
Média/Alta
Alta
-0,771
-0,108
Baixa
Baixa
0,910
5,654
Baixa/Média
Baixa
2,361
10,229
Baixa/Média
Alta
10,304
22,721
Média/Alta
Alta
1,761
8,208
Baixa/Média
Baixa
3,608
8,927
Baixa/Média
Baixa
10,191
22,794
Média/Alta
Alta
5,278
16,650
Média/Alta
Média
4,438
25,611
Baixa/Alta
Alta
10,633
23,518
Média/Alta
Baixa
8,245
18,972
Média/Alta
Baixa
4,004
15,869
Baixa/Alta
Alta
1,809
8,062
Baixa/Média
Baixa
1,933
8,616
Baixa/Média
Baixa
2,398
6,687
Baixa/Média
Baixa
10,596
30,784
Média/Alta
Alta
2,504
10,665
Baixa/Média
Baixa
7,121
22,060
Média/Alta
Baixa
1,306
6,770
Baixa/Média
Baixa
2,370
10,231
Baixa/Média
Baixa
1,375
6,938
Baixa/Média
Baixa
9,514
21,338
Média/Alta
Alta
1,696
5,269
Baixa/Média
Baixa
0,992
5,892
Baixa/Média
Alta
0,835
5,412
Baixa/Média
Baixa
1,012
5,936
Baixa/Média
Baixa
8,887
32,523
Média/Alta
Média
3,424
13,724
Baixa/Média
Alta
2,425
10,318
Baixa/Média
Baixa
2,446
10,710
Baixa/Média
Baixa
2,410
8,476
Baixa/Média
Baixa
0,779
5,307
Baixa/Média
Baixa
2,651
16,476
Baixa/Alta
Baixa
7,119
16,366
Média/Alta
Média
1,839
8,576
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
127
COD
3118601
3118700
3118809
3118908
3119005
3119104
3119203
3119302
3119401
3119500
3119609
3119708
3119807
3119906
3119955
3120003
3120102
3120151
3120201
3120300
3120409
3120508
3120607
3120706
3120805
3120839
3120870
3120904
3121001
3121100
3121209
3121258
3121308
3121407
3121506
3121605
3121704
3121803
MUNICIPIO
CONTAGEM
COQUEIRAL
CORACAO DE JESUS
CORDISBURGO
CORDISLANDIA
CORINTO
COROACI
COROMANDEL
CORONEL FABRICIANO
CORONEL MURTA
CORONEL PACHECO
CORONEL XAVIER CHAVES
CORREGO DANTA
CORREGO DO BOM JESUS
CORREGO FUNDO
CORREGO NOVO
COUTO DE MAGALHAES DE MINAS
CRISOLITA
CRISTAIS
CRISTALIA
CRISTIANO OTONI
CRISTINA
CRUCILANDIA
CRUZEIRO DA FORTALEZA
CRUZILIA
CUPARAQUE
CURRAL DE DENTRO
CURVELO
DATAS
DELFIM MOREIRA
DELFINOPOLIS
DELTA
DESCOBERTO
DESTERRO DE ENTRE-RIOS
DESTERRO DO MELO
DIAMANTINA
DIOGO DE VASCONCELOS
DIONISIO
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
4,753
2,281
9,090
Baixa/Média
-0,866
1
5,591
2,753
10,575
Baixa/Média
3,341
4
9,056
4,747
16,596
Baixa/Alta
5,149
3
3,975
1,845
7,698
Baixa/Média
8,371
1
1,757
0,564
3,860
Baixa
5,560
1
3,133
1,367
6,219
Baixa/Média
11,931
3
19,806
10,915 35,331
Média/Alta
41,587
1
4,058
1,902
7,816
Baixa/Média
14,838
2
9,331
4,844
17,263
Baixa/Alta
-0,652
3
3,700
1,678
7,251
Baixa/Média
7,194
2
2,796
1,135
5,749
Baixa/Média
12,003
2
3,753
1,702
7,360
Baixa/Média
5,604
1
9,002
4,726
16,473
Baixa/Alta
6,096
1
0,344
-0,265
1,458
Baixa
2,981
1
2,024
0,726
4,297
Baixa
6,873
2
20,381
11,197 36,482
Média/Alta
13,547
3
1,121
0,199
2,752
Baixa
2,377
3
32,707
18,209 58,147
Alta
31,246
1
2,124
0,784
4,470
Baixa
5,285
3
8,625
4,521
15,782
Baixa/Alta
9,476
2
3,792
1,717
7,452
Baixa/Média
5,807
1
3,818
1,702
7,589
Baixa/Média
13,047
1
3,061
1,312
6,133
Baixa/Média
6,166
1
6,627
3,369
12,314
Baixa/Média
5,739
2
5,096
2,481
9,676
Baixa/Média
3,419
2
16,521
9,004
29,689
Média/Alta
19,293
3
6,849
3,479
12,754
Baixa/Média
3,946
1
3,675
1,678
7,161
Baixa/Média
13,724
3
1,051
0,160
2,627
Baixa
8,802
1
4,576
2,055
9,177
Baixa/Média
5,002
1
1,628
0,492
3,628
Baixa
5,389
1
1,358
0,327
3,190
Baixa
1,936
2
3,924
1,818
7,605
Baixa/Média
13,130
1
3,171
1,358
6,380
Baixa/Média
9,773
2
6,131
3,012
11,674
Baixa/Média
10,503
3
1,785
0,584
3,896
Baixa
4,614
2
13,785
7,314
25,291
Média/Alta
12,210
2
19,611
10,797 35,009
Média/Alta
11,961
LimInfR LimSupR ClassImprecisaR Árvore
-0,525 575,694
Baixa/Alta
Baixa
1,047
5,993
Baixa/Média
Baixa
7,415
26,734
Média/Alta
Alta
1,397
5,889
Baixa/Média
Baixa
2,522
10,707
Baixa/Média
Baixa
5,448
21,516
Média/Alta
Baixa
12,685
37,169
Média/Alta
Alta
5,597
23,178
Média/Alta
Baixa
-0,624
-0,106
Baixa
Alta
1,259
5,453
Baixa/Média
Baixa
4,954
11,838
Baixa/Média
Baixa
1,351
4,433
Baixa
Baixa
2,667
11,179
Baixa/Média
Média
0,923
5,725
Baixa/Média
Baixa
3,008
12,298
Baixa/Média
Baixa
10,147
22,264
Média/Alta
Alta
0,453
3,464
Baixa
Baixa
8,508
25,742
Média/Alta
Alta
2,077
9,179
Baixa/Média
Baixa
0,114
2,270
Baixa
Média
1,188
4,047
Baixa
Baixa
5,172
20,760
Média/Alta
Baixa
2,595
10,932
Baixa/Média
Baixa
2,642
11,084
Baixa/Média
Baixa
0,067
1,639
Baixa
Baixa
11,970
26,399
Média/Alta
Média
0,470
4,098
Baixa
Alta
5,340
25,341
Média/Alta
Baixa
3,176
11,311
Baixa/Média
Baixa
1,615
7,723
Baixa/Média
Baixa
2,265
9,824
Baixa/Média
Baixa
0,537
4,649
Baixa
Baixa
6,882
16,178
Média/Alta
Baixa
3,979
15,875
Baixa/Alta
Baixa
4,445
10,542
Baixa/Média
Baixa
2,681
9,791
Baixa/Média
Baixa
7,688
17,134
Média/Alta
Baixa
10,713
23,829
Média/Alta
Alta
(Continua)
TABELA C.2 – Continuação.
128
COD
3121902
3122009
3122108
3122207
3122306
3122355
3122405
3122454
3122470
3122504
3122603
3122702
3122801
3122900
3123007
3123106
3123205
3123304
3123403
3123502
3123528
3123601
3123700
3123809
3123858
3123908
3124005
3124104
3124203
3124302
3124401
3124500
3124609
3124708
3124807
3124906
3125002
3125101
MUNICIPIO
DIVINESIA
DIVINO
DIVINO DAS LARANJEIRAS
DIVINOLANDIA DE MINAS
DIVINOPOLIS
DIVISA ALEGRE
DIVISA NOVA
DIVISOPOLIS
DOM BOSCO
DOM CAVATI
DOM JOAQUIM
DOM SILVERIO
DOM VICOSO
DONA EUSEBIA
DORES DE CAMPOS
DORES DE GUANHAES
DORES DO INDAIA
DORES DO TURVO
DORESOPOLIS
DOURADOQUARA
DURANDE
ELOI MENDES
ENGENHEIRO CALDAS
ENGENHEIRO NAVARRO
ENTRE-FOLHAS
ENTRE-RIOS DE MINAS
ERVALIA
ESMERALDAS
ESPERA FELIZ
ESPINOSA
ESPIRITO SANTO DO DOURADO
ESTIVA
ESTRELA-D'ALVA
ESTRELA DO INDAIA
ESTRELA DO SUL
EUGENOPOLIS
EWBANK DA CAMARA
EXTREMA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
2
5,863
2,901
11,074
Baixa/Média
9,373
2
11,084
5,935
20,055
Média/Alta
9,800
2
13,250
7,150
23,915
Média/Alta
16,494
3
20,468
11,314 36,424
Média/Alta
37,403
1
4,585
2,184
8,798
Baixa/Média
1,147
4
3,839
1,704
7,659
Baixa/Média
9,812
1
2,438
0,946
5,072
Baixa/Média
3,191
3
11,004
5,753
20,337
Média/Alta
9,637
1
3,862
1,758
7,571
Baixa/Média
13,524
2
8,747
4,594
15,982
Baixa/Alta
15,111
2
21,020
11,512 37,754
Média/Alta
9,415
2
8,406
4,365
15,492
Baixa/Alta
13,497
1
4,829
2,297
9,304
Baixa/Média
12,927
2
6,001
3,011
11,220
Baixa/Média
17,301
2
3,198
1,378
6,409
Baixa/Média
4,251
2
14,754
7,832
27,102
Média/Alta
15,132
1
4,676
2,246
8,926
Baixa/Média
7,087
2
8,658
4,471
16,049
Baixa/Alta
8,730
1
6,873
3,508
12,749
Baixa/Média
3,526
1
4,775
2,311
9,075
Baixa/Média
30,610
2
25,718
14,264 45,767
Média/Alta
14,446
1
2,410
0,932
5,018
Baixa/Média
4,031
2
13,071
7,080
23,504
Média/Alta
13,168
4
2,750
1,142
5,565
Baixa/Média
1,856
2
11,692
6,264
21,176
Média/Alta
14,699
2
3,719
1,669
7,345
Baixa/Média
4,112
2
7,253
3,732
13,395
Baixa/Média
9,201
1
8,083
4,182
14,921
Baixa/Média
6,232
2
17,448
9,520
31,352
Média/Alta
8,649
4
3,099
1,343
6,170
Baixa/Média
0,665
1
1,541
0,431
3,514
Baixa
8,815
1
0,977
0,097
2,562
Baixa
3,703
2
11,815
6,351
21,340
Média/Alta
15,450
1
6,243
3,141
11,671
Baixa/Média
5,322
1
7,102
3,647
13,126
Baixa/Média
8,300
2
20,310
11,182 36,280
Média/Alta
12,929
2
5,905
2,847
11,394
Baixa/Média
9,894
1
0,859
0,032
2,349
Baixa
5,277
LimInfR LimSupR ClassImprecisaR Árvore
3,566
8,841
Baixa/Média
Baixa
4,555
10,734
Baixa/Média
Média
8,753
19,689
Média/Alta
Alta
8,524
26,582
Média/Alta
Média
0,876
18,522
Baixa/Alta
Baixa
5,794
22,466
Média/Alta
Alta
1,159
6,448
Baixa/Média
Baixa
2,185
8,708
Baixa/Média
Alta
6,065
24,048
Média/Alta
Baixa
9,518
21,414
Média/Alta
Alta
5,685
13,334
Média
Alta
8,859
20,312
Média/Alta
Média
5,793
22,940
Média/Alta
Baixa
13,421
30,870
Média/Alta
Média
0,539
2,741
Baixa
Baixa
8,527
19,228
Média/Alta
Alta
3,457
13,685
Baixa/Média
Baixa
3,123
7,860
Baixa/Média
Baixa
1,406
7,268
Baixa/Média
Média
13,786
63,453
Média/Alta
Baixa
9,915
21,763
Média/Alta
Média
1,382
6,889
Baixa/Média
Baixa
10,643
23,473
Média/Alta
Alta
1,024
5,577
Baixa/Média
Baixa
8,805
19,492
Média/Alta
Alta
0,581
2,717
Baixa
Baixa
3,640
8,892
Baixa/Média
Média
2,099
9,636
Baixa/Média
Baixa
3,919
9,585
Baixa/Média
Média
0,574
4,214
Baixa
Baixa
3,773
15,071
Baixa/Alta
Baixa
0,993
5,763
Baixa/Média
Baixa
7,937
18,374
Média/Alta
Média
2,374
10,223
Baixa/Média
Baixa
3,825
15,122
Baixa/Alta
Alta
6,672
15,481
Média/Alta
Alta
5,373
12,734
Média
Baixa
1,787
8,168
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
129
COD
3125200
3125309
3125408
3125507
3125606
3125705
3125804
3125903
3125952
3126000
3126109
3126208
3126307
3126406
3126505
3126604
3126703
3126752
3126802
3126901
3126950
3127008
3127057
3127073
3127107
3127206
3127305
3127339
3127354
3127370
3127388
3127404
3127503
3127602
3127701
3127800
3127909
3128006
MUNICIPIO
FAMA
FARIA LEMOS
FELICIO DOS SANTOS
SAO GONCALO DO RIO PRETO
FELISBURGO
FELIXLANDIA
FERNANDES TOURINHO
FERROS
FERVEDOURO
FLORESTAL
FORMIGA
FORMOSO
FORTALEZA DE MINAS
FORTUNA DE MINAS
FRANCISCO BADARO
FRANCISCO DUMONT
FRANCISCO SA
FRANCISCOPOLIS
FREI GASPAR
FREI INOCENCIO
FREI LAGONEGRO
FRONTEIRA
FRONTEIRA DOS VALES
FRUTA DE LEITE
FRUTAL
FUNILANDIA
GALILEIA
GAMELEIRAS
GLAUCILANDIA
GOIABEIRA
GOIANA
GONCALVES
GONZAGA
GOUVEIA
GOVERNADOR VALADARES
GRAO-MOGOL
GRUPIARA
GUANHAES
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
1,578
0,460
3,551
Baixa
5,283
2
18,566
10,186 33,225
Média/Alta
14,576
3
5,086
2,457
9,715
Baixa/Média
14,318
3
1,998
0,703
4,278
Baixa
4,741
3
11,337
6,073
20,518
Média/Alta
15,020
1
-0,020
-0,490
0,883
Baixa
10,112
2
20,341
11,173 36,413
Média/Alta
13,398
2
9,985
5,216
18,412
Média/Alta
17,064
2
17,248
9,424
30,943
Média/Alta
10,172
1
6,546
3,322
12,174
Baixa/Média
3,621
1
2,956
1,265
5,910
Baixa/Média
7,281
4
7,482
3,842
13,858
Baixa/Média
2,794
1
4,942
2,405
9,368
Baixa/Média
7,050
1
5,962
2,984
11,164
Baixa/Média
8,075
3
6,039
3,002
11,380
Baixa/Média
22,603
4
1,974
0,682
4,259
Baixa
4,734
3
4,442
2,118
8,498
Baixa/Média
12,568
3
13,969
7,590
25,084
Média/Alta
27,808
3
28,731
15,949 51,155
Alta
57,922
2
11,160
5,978
20,189
Média/Alta
13,372
3
16,430
8,957
29,512
Média/Alta
67,937
1
2,380
0,899
5,015
Baixa/Média
4,709
3
21,569
11,792 38,817
Média/Alta
36,110
4
8,034
4,188
14,731
Baixa/Média
9,749
1
2,472
0,954
5,171
Baixa/Média
4,111
3
3,468
1,559
6,798
Baixa/Média
5,193
2
10,827
5,739
19,756
Média/Alta
15,544
4
3,014
1,291
6,034
Baixa/Média
0,859
3
2,385
0,924
4,956
Baixa
13,500
2
21,587
11,917 38,498
Média/Alta
17,377
2
2,782
1,142
5,678
Baixa/Média
9,652
1
0,697
-0,086
2,151
Baixa
3,103
3
9,170
4,760
16,956
Baixa/Alta
33,492
3
1,183
0,236
2,855
Baixa
7,260
2
13,500
7,313
24,291
Média/Alta
-0,998
3
6,477
3,268
12,097
Baixa/Média
3,710
1
3,243
1,417
6,450
Baixa/Média
35,593
3
11,916
6,415
21,496
Média/Alta
28,347
LimInfR LimSupR ClassImprecisaR Árvore
2,330
10,107
Baixa/Média
Baixa
8,562
19,155
Média/Alta
Média
1,378
5,804
Baixa/Média
Baixa
1,372
6,620
Baixa/Média
Baixa
4,540
14,762
Baixa/Média
Alta
4,321
17,023
Baixa/Alta
Baixa
9,794
21,805
Média/Alta
Média
11,920
26,749
Média/Alta
Alta
4,463
10,615
Baixa/Média
Alta
1,397
7,130
Baixa/Média
Baixa
3,071
13,907
Baixa/Média
Baixa
1,395
7,655
Baixa/Média
Baixa
3,244
13,107
Baixa/Média
Baixa
3,789
15,024
Baixa/Alta
Baixa
2,425
8,663
Baixa/Média
Baixa
3,073
12,455
Baixa/Média
Alta
1,353
5,661
Baixa/Média
Baixa
4,354
13,921
Baixa/Média
Alta
15,517
44,961
Alta
Alta
6,803
15,639
Média/Alta
Alta
12,594
38,169
Média/Alta
Alta
1,954
8,806
Baixa/Média
Baixa
6,090
18,496
Média/Alta
Alta
7,673
28,678
Média/Alta
Média
1,443
7,194
Baixa/Média
Baixa
1,236
5,389
Baixa/Média
Baixa
10,992
24,047
Média/Alta
Baixa
0,411
3,619
Baixa
Baixa
1,282
5,580
Baixa/Média
Baixa
14,170
30,820
Média/Alta
Alta
3,990
9,999
Baixa/Média
Baixa
0,932
5,727
Baixa/Média
Baixa
6,593
19,847
Média/Alta
Média
2,008
7,727
Baixa/Média
Baixa
-0,993
-0,984
Baixa
Média
-0,023
1,928
Baixa
Média
16,055
77,256
Alta
Baixa
11,604
33,886
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
130
COD
3128105
3128204
3128253
3128303
3128402
3128501
3128600
3128709
3128808
3128907
3129004
3129103
3129202
3129301
3129400
3129509
3129608
3129657
3129707
3129806
3129905
3130002
3130051
3130101
3130200
3130309
3130408
3130507
3130556
3130606
3130655
3130705
3130804
3130903
3131000
3131109
3131158
3131208
MUNICIPIO
GUAPE
GUARACIABA
GUARACIAMA
GUARANESIA
GUARANI
GUARARA
GUARDA-MOR
GUAXUPE
GUIDOVAL
GUIMARANIA
GUIRICEMA
GURINHATA
HELIODORA
IAPU
IBERTIOGA
IBIA
IBIAI
IBIRACATU
IBIRACI
IBIRITE
IBITIURA DE MINAS
IBITURUNA
ICARAI DE MINAS
IGARAPE
IGARATINGA
IGUATAMA
IJACI
ILICINEA
IMBE DE MINAS
INCONFIDENTES
INDAIABIRA
INDIANOPOLIS
INGAI
INHAPIM
INHAUMA
INIMUTABA
IPABA
IPANEMA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
1
1,169
0,228
2,831
Baixa
6,421
2,009
8,939
Baixa/Média
Baixa
2
11,743
6,228
21,465
Média/Alta
11,829
7,290
16,250
Média/Alta
Baixa
3
2,815
1,180
5,675
Baixa/Média
3,255
-0,325
1,038
Baixa
Baixa
1
5,258
2,572
9,961
Baixa/Média
5,331
2,245
9,645
Baixa/Média
Baixa
2
4,509
2,150
8,635
Baixa/Média
9,859
3,976
10,157
Baixa/Média
Baixa
2
7,033
3,579
13,090
Baixa/Média
11,898
5,528
13,285
Média
Baixa
1
2,282
0,872
4,751
Baixa
9,634
4,100
16,275
Baixa/Alta
Baixa
1
5,079
2,468
9,655
Baixa/Média
4,268
2,003
9,143
Baixa/Média
Baixa
2
4,669
2,241
8,914
Baixa/Média
13,928
8,179
18,641
Média/Alta
Baixa
1
6,542
3,328
12,143
Baixa/Média
16,146
7,589
30,502
Média/Alta
Alta
2
4,810
2,311
9,197
Baixa/Média
12,424
6,003
13,976
Média
Baixa
1
5,727
2,835
10,802
Baixa/Média
6,922
2,685
11,240
Baixa/Média
Baixa
1
2,827
1,172
5,742
Baixa/Média
3,005
1,048
6,108
Baixa/Média
Baixa
2
16,383
8,986
29,259
Média/Alta
13,444
9,115
20,027
Média/Alta
Média
2
3,542
1,563
7,046
Baixa/Média
4,745
0,327
2,215
Baixa
Baixa
1
6,067
3,053
11,325
Baixa/Média
8,545
3,799
15,050
Baixa/Alta
Alta
4
9,115
4,786
16,686
Baixa/Alta
2,483
1,304
6,600
Baixa/Média
Alta
4
7,174
3,682
13,270
Baixa/Média
2,867
1,861
8,224
Baixa/Média
Baixa
1
4,082
1,915
7,858
Baixa/Média
5,894
2,335
10,006
Baixa/Média
Alta
1
4,227
1,987
8,145
Baixa/Média
4,692
2,870
27,436
Baixa/Alta
Baixa
1
1,755
0,556
3,878
Baixa
6,007
2,663
11,174
Baixa/Média
Baixa
1
5,875
2,900
11,121
Baixa/Média
9,393
4,494
17,576
Baixa/Alta
Baixa
4
6,475
3,276
12,067
Baixa/Média
10,464
6,836
30,126
Média/Alta
Baixa
1
4,685
2,255
8,929
Baixa/Média
4,995
2,400
10,193
Baixa/Média
Baixa
1
4,358
2,055
8,395
Baixa/Média
2,421
0,698
5,033
Baixa/Média
Baixa
1
3,805
1,755
7,380
Baixa/Média
5,281
2,333
10,015
Baixa/Média
Baixa
1
4,645
2,195
8,974
Baixa/Média
14,734
7,037
27,910
Média/Alta
Baixa
1
3,707
1,690
7,235
Baixa/Média
7,187
3,034
12,339
Baixa/Média
Baixa
2
17,343
9,432
31,250
Média/Alta
12,343
8,433
18,655
Média/Alta
Alta
1
2,598
1,026
5,387
Baixa/Média
3,182
0,970
5,807
Baixa/Média
Baixa
4
7,142
3,644
13,276
Baixa/Média
8,180
5,633
21,483
Média/Alta
Alta
1
3,551
1,592
6,988
Baixa/Média
7,351
3,224
13,041
Baixa/Média
Baixa
1
3,231
1,417
6,409
Baixa/Média
8,180
3,816
15,133
Baixa/Alta
Baixa
2
11,471
6,132
20,806
Média/Alta
12,296
8,276
18,375
Média/Alta
Alta
1
4,326
2,053
8,293
Baixa/Média
9,958
4,594
17,992
Baixa/Alta
Baixa
1
3,756
1,716
7,329
Baixa/Média
22,460
9,866
42,146
Média/Alta
Baixa
2
21,162
11,653 37,818
Média/Alta
11,338
8,521
19,054
Média/Alta
Média
2
11,661
6,270
21,049
Média/Alta
14,343
9,489
21,145
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
131
COD
3131307
3131406
3131505
3131604
3131703
3131802
3131901
3132008
3132107
3132206
3132305
3132404
3132503
3132602
3132701
3132800
3132909
3133006
3133105
3133204
3133303
3133402
3133501
3133600
3133709
3133758
3133808
3133907
3134004
3134103
3134202
3134301
3134400
3134509
3134608
3134707
3134806
3134905
MUNICIPIO
IPATINGA
IPIACU
IPUIUNA
IRAI DE MINAS
ITABIRA
ITABIRINHA DE MANTENA
ITABIRITO
ITACAMBIRA
ITACARAMBI
ITAGUARA
ITAIPE
ITAJUBA
ITAMARANDIBA
ITAMARATI DE MINAS
ITAMBACURI
ITAMBE DO MATO DENTRO
ITAMOJI
ITAMONTE
ITANHANDU
ITANHOMI
ITAOBIM
ITAPAJIPE
ITAPECERICA
ITAPEVA
ITATIAIUCU
ITAU DE MINAS
ITAUNA
ITAVERAVA
ITINGA
ITUETA
ITUIUTABA
ITUMIRIM
ITURAMA
ITUTINGA
JABUTICATUBAS
JACINTO
JACUI
JACUTINGA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
2
8,697
4,544
15,961
Baixa/Alta
-0,999
1
1,223
0,237
2,995
Baixa
4,382
1
2,478
0,960
5,170
Baixa/Média
9,893
1
1,515
0,426
3,438
Baixa
6,341
1
7,138
3,670
13,183
Baixa/Média
2,650
2
13,385
7,186
24,277
Média/Alta
19,949
1
3,454
1,540
6,810
Baixa/Média
3,329
3
2,915
1,241
5,839
Baixa/Média
9,093
4
4,150
1,935
8,037
Baixa/Média
2,562
1
4,533
2,161
8,685
Baixa/Média
9,439
3
34,438
19,000 61,790
Alta
43,287
1
0,548
-0,154
1,834
Baixa
1,433
3
11,600
6,141
21,230
Média/Alta
19,117
2
7,292
3,758
13,450
Baixa/Média
16,664
3
19,771
10,912 35,218
Média/Alta
28,913
1
5,061
2,473
9,576
Baixa/Média
4,408
1
4,055
1,895
7,829
Baixa/Média
6,201
1
3,474
1,471
7,100
Baixa/Média
3,662
1
3,604
1,618
7,096
Baixa/Média
5,529
2
10,428
5,548
18,946
Média/Alta
14,493
3
3,774
1,721
7,378
Baixa/Média
4,030
1
3,264
1,403
6,566
Baixa/Média
4,694
1
7,613
3,918
14,083
Baixa/Média
7,319
1
1,524
0,415
3,504
Baixa
4,512
1
3,525
1,578
6,944
Baixa/Média
5,016
1
6,861
3,499
12,735
Baixa/Média
3,317
1
4,494
2,135
8,627
Baixa/Média
2,366
2
12,568
6,633
23,118
Média/Alta
8,208
3
4,699
2,258
8,970
Baixa/Média
15,236
2
18,353
10,018 32,994
Média/Alta
18,635
1
4,038
1,863
7,868
Baixa/Média
2,851
1
3,245
1,423
6,436
Baixa/Média
8,335
1
5,986
2,959
11,330
Baixa/Média
5,585
1
2,597
1,049
5,314
Baixa/Média
7,206
1
4,394
2,093
8,409
Baixa/Média
14,285
3
12,696
6,835
22,940
Média/Alta
18,545
1
6,293
3,166
11,769
Baixa/Média
4,621
1
2,604
1,046
5,348
Baixa/Média
5,725
LimInfR LimSupR ClassImprecisaR Árvore
-0,997
-0,992
Baixa
Média
1,907
8,747
Baixa/Média
Baixa
4,421
17,356
Baixa/Alta
Baixa
2,871
11,805
Baixa/Média
Baixa
1,042
8,152
Baixa/Média
Média
14,334
31,917
Média/Alta
Média
1,685
8,094
Baixa/Média
Baixa
0,232
2,563
Baixa
Baixa
1,502
7,114
Baixa/Média
Baixa
4,025
15,923
Baixa/Alta
Baixa
10,234
29,896
Média/Alta
Alta
0,651
5,333
Baixa/Média
Baixa
4,999
16,834
Baixa/Alta
Alta
9,516
22,051
Média/Alta
Média
9,051
27,689
Média/Alta
Alta
1,717
8,160
Baixa/Média
Média
2,493
10,518
Baixa/Média
Baixa
1,056
5,944
Baixa/Média
Alta
2,452
10,357
Baixa/Média
Média
9,290
20,416
Média/Alta
Alta
-0,075
1,765
Baixa
Baixa
1,615
7,681
Baixa/Média
Baixa
2,900
11,875
Baixa/Média
Baixa
1,602
7,714
Baixa/Média
Baixa
1,882
8,557
Baixa/Média
Baixa
1,453
7,277
Baixa/Média
Baixa
1,240
8,001
Baixa/Média
Baixa
2,983
7,545
Baixa/Média
Baixa
1,989
7,479
Baixa/Média
Baixa
15,182
33,052
Alta
Alta
1,342
8,843
Baixa/Média
Baixa
3,812
15,076
Baixa/Alta
Baixa
2,768
11,398
Baixa/Média
Baixa
3,272
13,209
Baixa/Média
Baixa
5,273
21,481
Média/Alta
Baixa
4,744
14,868
Baixa/Média
Alta
1,673
7,930
Baixa/Média
Baixa
2,249
9,662
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
132
COD
3135001
3135050
3135076
3135100
3135209
3135308
3135357
3135407
3135456
3135506
3135605
3135704
3135803
3135902
3136009
3136108
3136207
3136306
3136405
3136504
3136520
3136553
3136579
3136603
3136652
3136702
3136801
3136900
3136959
3137007
3137106
3137205
3137304
3137403
3137502
3137536
3137601
3137700
MUNICIPIO
JAGUARACU
JAIBA
JAMPRUCA
JANAUBA
JANUARIA
JAPARAIBA
JANPOVAR
JECEABA
JENIPAPO DE MINAS
JEQUERI
JEQUITAI
JEQUITIBA
JEQUITINHONHA
JESUANIA
JOAIMA
JOANESIA
JOAO MONLEVADE
JOAO PINHEIRO
JOAQUIM FELICIO
JORDANIA
JOSE GONCALVES DE MINAS
JOSE RAYDAN
JOSENOPOLIS
NOVA UNIAO
JUATUBA
JUIZ DE FORA
JURAMENTO
JURUAIA
JUVENILIA
LADAINHA
LAGAMAR
LAGOA DA PRATA
LAGOA DOS PATOS
LAGOA DOURADA
LAGOA FORMOSA
LAGOA GRANDE
LAGOA SANTA
LAJINHA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
2
6,861
3,454
12,875
Baixa/Média
20,956
4
3,356
1,481
6,647
Baixa/Média
0,760
2
19,114
10,529 34,089
Média/Alta
15,608
4
3,112
1,347
6,204
Baixa/Média
0,758
4
7,557
3,854
14,086
Baixa/Média
7,707
1
3,170
1,389
6,281
Baixa/Média
6,035
4
6,019
3,029
11,231
Baixa/Média
3,876
1
3,382
1,497
6,688
Baixa/Média
9,732
3
10,416
5,539
18,930
Média/Alta
17,112
2
10,788
5,732
19,642
Média/Alta
13,541
4
3,563
1,598
7,016
Baixa/Média
1,774
3
4,527
2,164
8,657
Baixa/Média
11,109
3
8,410
4,362
15,515
Baixa/Alta
2,935
1
4,589
2,197
8,774
Baixa/Média
2,687
3
12,093
6,503
21,848
Média/Alta
14,950
3
8,423
4,408
15,418
Baixa/Alta
33,505
1
5,039
2,451
9,568
Baixa/Média
3,082
1
8,789
4,601
16,108
Baixa/Alta
14,077
4
2,963
1,268
5,924
Baixa/Média
4,013
3
51,100
26,970 96,049
Alta
25,720
3
12,112
6,459
22,048
Média/Alta
3,994
3
20,684
11,431 36,825
Média/Alta
51,711
4
16,271
8,819
29,380
Média/Alta
14,568
1
7,577
3,927
13,931
Baixa/Média
7,783
1
4,570
2,190
8,725
Baixa/Média
2,097
2
2,450
0,932
5,161
Baixa/Média
-1,000
3
3,535
1,600
6,909
Baixa/Média
5,490
1
4,602
2,198
8,812
Baixa/Média
6,354
4
3,750
1,713
7,316
Baixa/Média
-0,013
3
32,214
17,781 57,736
Alta
170,905
1
4,295
2,037
8,230
Baixa/Média
15,405
1
2,953
1,262
5,908
Baixa/Média
6,213
4
5,337
2,631
10,059
Baixa/Média
1,370
2
4,447
2,075
8,649
Baixa/Média
4,629
1
4,091
1,919
7,879
Baixa/Média
13,934
1
5,407
2,652
10,239
Baixa/Média
9,900
1
5,505
2,730
10,346
Baixa/Média
5,995
2
22,310
12,272 39,940
Média/Alta
13,322
LimInfR LimSupR ClassImprecisaR Árvore
13,567
31,300
Média/Alta
Média
0,435
3,708
Baixa
Baixa
13,106
31,385
Média/Alta
Alta
0,411
3,643
Baixa
Baixa
25,968 119,101
Alta
Alta
2,616
11,016
Baixa/Média
Baixa
3,633
13,774
Baixa/Média
Baixa
4,056
16,125
Baixa/Alta
Baixa
2,919
10,116
Baixa/Média
Alta
8,059
26,595
Média/Alta
Média
1,106
5,802
Baixa/Média
Baixa
3,310
10,951
Baixa/Média
Baixa
0,110
2,274
Baixa
Alta
0,802
5,370
Baixa/Média
Baixa
6,411
20,150
Média/Alta
Alta
9,191
26,965
Média/Alta
Média
1,984
10,384
Baixa/Média
Média
5,084
21,623
Média/Alta
Baixa
2,373
10,118
Baixa/Média
Baixa
12,197
37,536
Média/Alta
Alta
0,413
3,181
Baixa
Alta
13,779
41,017
Média/Alta
Alta
11,268
43,243
Média/Alta
Média
3,066
12,588
Baixa/Média
Alta
0,647
4,892
Baixa
Baixa
-1,000
-1,000
Baixa
Baixa
0,469
3,239
Baixa
Baixa
2,358
10,137
Baixa/Média
Baixa
-0,292
1,436
Baixa
Baixa
23,696
73,238
Alta
Alta
6,659
26,788
Média/Alta
Baixa
3,334
13,646
Baixa/Média
Baixa
0,620
4,293
Baixa
Baixa
0,692
2,967
Baixa
Baixa
5,431
21,920
Média/Alta
Baixa
4,469
17,530
Baixa/Alta
Alta
3,207
13,326
Baixa/Média
Alta
8,967
20,013
Média/Alta
Alta
(Continua)
TABELA C.2 – Continuação.
133
COD
3137809
3137908
3138005
3138104
3138203
3138302
3138351
3138401
3138500
3138609
3138625
3138658
3138674
3138682
3138708
3138807
3138906
3139003
3139102
3139201
3139250
3139300
3139409
3139508
3139607
3139706
3139805
3139904
3140001
3140100
3140159
3140209
3140308
3140407
3140506
3140530
3140555
3140605
MUNICIPIO
LAMBARI
LAMIM
LARANJAL
LASSANCE
LAVRAS
LEANDRO FERREIRA
LEME DO PRADO
LEOPOLDINA
LIBERDADE
LIMA DUARTE
LIMEIRA DO OESTE
LONTRA
LUISBURGO
LUISLANDIA
LUMINARIAS
LUZ
MAXACALIS
MACHADO
MADRE DE DEUS DE MINAS
MALACACHETA
MAMONAS
MANGA
MANHUACU
MANHUMIRIM
MANTENA
MARAVILHAS
MAR DE ESPANHA
MARIA DA FE
MARIANA
MARILAC
MARIO CAMPOS
MARIPA DE MINAS
MARLIERIA
MARMELOPOLIS
MARTINHO CAMPOS
MARTINS SOARES
MATA VERDE
MATERLANDIA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
3,393
1,499
6,725
Baixa/Média
4,882
2
8,637
4,455
16,025
Baixa/Alta
10,030
2
15,060
8,223
26,965
Média/Alta
14,418
4
6,196
3,119
11,572
Baixa/Média
3,236
1
7,443
3,747
14,018
Baixa/Média
5,865
1
6,786
3,462
12,587
Baixa/Média
4,786
3
11,103
5,782
20,599
Média/Alta
0,824
2
13,733
7,442
24,713
Média/Alta
2,711
2
7,471
3,845
13,812
Baixa/Média
5,976
2
3,781
1,711
7,431
Baixa/Média
6,421
1
8,996
4,688
16,567
Baixa/Alta
6,712
4
7,868
4,079
14,483
Baixa/Média
3,382
2
10,343
5,375
19,183
Média/Alta
12,382
4
12,539
6,705
22,791
Média/Alta
7,803
1
3,384
1,506
6,668
Baixa/Média
5,440
1
3,531
1,595
6,912
Baixa/Média
7,669
3
32,046
17,727 57,314
Alta
24,193
1
2,784
1,145
5,676
Baixa/Média
7,178
2
2,343
0,893
4,905
Baixa
4,131
3
18,415
10,104 32,947
Média/Alta
47,210
4
3,534
1,588
6,943
Baixa/Média
0,963
4
3,079
1,325
6,154
Baixa/Média
0,826
2
10,423
5,543
18,943
Média/Alta
3,425
2
12,956
6,953
23,493
Média/Alta
11,132
2
12,261
6,522
22,379
Média/Alta
16,160
1
5,714
2,848
10,714
Baixa/Média
8,244
2
4,630
2,218
8,851
Baixa/Média
10,706
1
2,146
0,755
4,641
Baixa
14,968
1
9,105
4,747
16,767
Baixa/Alta
3,532
3
15,314
8,356
27,447
Média/Alta
22,701
1
4,830
2,328
9,212
Baixa/Média
4,771
2
10,509
5,501
19,374
Média/Alta
11,963
2
45,291
24,917 81,681
Alta
12,206
1
4,034
1,792
8,076
Baixa/Média
20,154
1
4,222
1,990
8,120
Baixa/Média
10,742
2
26,612
14,683 47,614
Média/Alta
13,136
3
9,158
4,661
17,228
Baixa/Alta
22,394
3
13,810
7,426
25,032
Média/Alta
59,311
LimInfR LimSupR ClassImprecisaR Árvore
1,877
8,457
Baixa/Média
Baixa
5,010
11,606
Média
Baixa
6,946
17,079
Média/Alta
Média
2,154
9,163
Baixa/Média
Alta
3,509
17,084
Baixa/Alta
Baixa
2,012
9,077
Baixa/Média
Alta
-0,240
1,489
Baixa
Alta
1,751
5,339
Baixa/Média
Média
0,244
2,169
Baixa
Baixa
1,723
5,081
Baixa/Média
Baixa
2,842
11,745
Baixa/Média
Baixa
2,269
9,516
Baixa/Média
Baixa
4,554
11,225
Baixa/Média
Alta
5,521
20,670
Média/Alta
Alta
2,314
9,999
Baixa/Média
Baixa
3,531
13,986
Baixa/Média
Baixa
12,215
37,523
Média/Alta
Alta
2,577
10,862
Baixa/Média
Baixa
0,486
2,586
Baixa
Baixa
15,706
45,539
Alta
Alta
0,327
3,363
Baixa
Baixa
0,608
4,266
Baixa
Baixa
0,939
3,513
Baixa
Média
5,851
13,955
Média
Média
11,791
26,684
Média/Alta
Média
3,671
14,597
Baixa/Média
Alta
6,786
15,924
Média/Alta
Baixa
5,379
22,039
Média/Alta
Baixa
1,255
6,540
Baixa/Média
Baixa
5,948
18,230
Média/Alta
Alta
1,947
8,766
Baixa/Média
Baixa
5,643
13,533
Média
Baixa
6,126
14,330
Média
Alta
8,967
37,484
Média/Alta
Baixa
4,826
18,897
Baixa/Alta
Baixa
6,147
14,122
Média
Média
13,876
43,034
Média/Alta
Alta
11,397
33,464
Média/Alta
Alta
(Continua)
TABELA C.2 – Continuação.
134
COD
3140704
3140803
3140852
3140902
3141009
3141108
3141207
3141306
3141405
3141504
3141603
3141702
3141801
3141900
3142007
3142106
3142205
3142254
3142304
3142403
3142502
3142601
3142700
3142809
3142908
3143005
3143104
3143153
3143203
3143302
3143401
3143450
3143500
3143609
3143708
3143807
3143906
3144003
MUNICIPIO
MATEUS LEME
MATIAS BARBOSA
MATIAS CARDOSO
MATIPO
MATO VERDE
MATOZINHOS
MATUTINA
MEDEIROS
MEDINA
MENDES PIMENTEL
MERCES
MESQUITA
MINAS NOVAS
MINDURI
MIRABELA
MIRADOURO
MIRAI
MIRAVANIA
MOEDA
MOEMA
MONJOLOS
MONSENHOR PAULO
MONTALVANIA
MONTE ALEGRE DE MINAS
MONTE AZUL
MONTE BELO
MONTE CARMELO
MONTE FORMOSO
MONTE SANTO DE MINAS
MONTES CLAROS
MONTE SIAO
MONTEZUMA
MORADA NOVA DE MINAS
MORRO DA GARCA
MORRO DO PILAR
MUNHOZ
MURIAE
MUTUM
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
4,549
2,177
8,690
Baixa/Média
2,115
2
4,303
1,999
8,375
Baixa/Média
8,763
4
2,865
1,199
5,791
Baixa/Média
1,131
2
14,120
7,653
25,422
Média/Alta
9,914
4
4,919
2,389
9,337
Baixa/Média
-0,285
1
3,310
1,470
6,522
Baixa/Média
5,517
1
8,234
4,299
15,090
Baixa/Alta
6,895
1
5,615
2,780
10,576
Baixa/Média
8,111
3
6,248
3,152
11,652
Baixa/Média
29,176
2
13,998
7,572
25,240
Média/Alta
16,978
2
4,437
2,077
8,605
Baixa/Média
10,755
3
11,761
6,309
21,280
Média/Alta
20,970
3
13,533
7,304
24,434
Média/Alta
29,639
2
6,088
3,052
11,399
Baixa/Média
5,069
4
8,252
4,301
15,149
Baixa/Alta
6,063
2
12,548
6,782
22,584
Média/Alta
12,140
2
5,989
3,005
11,196
Baixa/Média
12,840
4
7,828
4,057
14,409
Baixa/Média
5,977
1
1,627
0,482
3,656
Baixa
7,450
1
2,660
1,094
5,398
Baixa/Média
5,671
4
1,127
0,205
2,754
Baixa
3,878
1
3,124
1,345
6,253
Baixa/Média
7,274
4
5,401
2,664
10,183
Baixa/Média
0,902
1
4,304
2,021
8,309
Baixa/Média
7,825
4
3,697
1,687
7,210
Baixa/Média
0,158
1
3,183
1,379
6,356
Baixa/Média
4,594
1
5,645
2,812
10,582
Baixa/Média
22,097
3
23,801
13,176 42,390
Média/Alta
45,571
1
6,383
3,220
11,916
Baixa/Média
7,148
3
3,625
1,653
7,063
Baixa/Média
5,070
1
1,979
0,688
4,259
Baixa
5,434
4
5,533
2,697
10,545
Baixa/Média
7,566
1
-0,675
-0,847
-0,309
Baixa
11,322
1
5,222
2,540
9,939
Baixa/Média
10,047
2
5,761
2,871
10,811
Baixa/Média
9,567
1
2,390
0,915
5,001
Baixa/Média
2,945
2
13,408
7,275
24,086
Média/Alta
0,398
2
19,868
10,940 35,473
Média/Alta
14,101
LimInfR LimSupR ClassImprecisaR Árvore
0,582
4,559
Baixa
Baixa
3,498
9,455
Baixa/Média
Baixa
0,663
4,409
Baixa
Baixa
5,361
12,249
Média
Média
-0,494
0,812
Baixa
Baixa
2,870
11,707
Baixa/Média
Baixa
3,163
12,817
Baixa/Média
Alta
3,698
14,731
Baixa/Média
Baixa
10,501
31,796
Média/Alta
Alta
12,471
27,392
Média/Alta
Alta
4,248
10,191
Baixa/Média
Baixa
8,356
24,799
Média/Alta
Alta
4,063
14,644
Baixa/Média
Média
0,363
2,357
Baixa
Baixa
4,437
16,729
Baixa/Alta
Alta
5,819
13,337
Média
Média
8,272
18,704
Média/Alta
Média
3,898
15,079
Baixa/Alta
Baixa
3,117
12,729
Baixa/Média
Baixa
2,626
10,979
Baixa/Média
Baixa
2,181
9,449
Baixa/Média
Baixa
3,202
12,937
Baixa/Média
Baixa
0,564
4,182
Baixa
Baixa
3,088
12,560
Baixa/Média
Baixa
-0,082
2,114
Baixa
Baixa
1,508
7,330
Baixa/Média
Baixa
9,249
43,125
Média/Alta
Baixa
9,986
30,594
Média/Alta
Média
2,737
11,325
Baixa/Média
Baixa
2,916
11,222
Baixa/Média
Baixa
1,943
8,672
Baixa/Média
Baixa
5,796
21,737
Média/Alta
Alta
5,186
20,287
Média/Alta
Baixa
4,658
18,261
Baixa/Alta
Alta
3,895
9,374
Baixa/Média
Alta
0,852
5,460
Baixa/Média
Baixa
0,176
1,662
Baixa
Média
8,076
18,103
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
135
COD
3144102
3144201
3144300
3144359
3144375
3144409
3144508
3144607
3144656
3144672
3144706
3144805
3144904
3145000
3145059
3145109
3145208
3145307
3145356
3145372
3145406
3145455
3145505
3145604
3145703
3145802
3145851
3145877
3145901
3146008
3146107
3146206
3146255
3146305
3146404
3146503
3146552
3146602
MUNICIPIO
MUZAMBINHO
NACIP RAYDAN
NANUQUE
NAQUE
NATALANDIA
NATERCIA
NAZARENO
NEPOMUCENO
NINHEIRA
NOVA BELEM
NOVA ERA
NOVA LIMA
NOVA MODICA
NOVA PONTE
NOVA PORTEIRINHA
NOVA RESENDE
NOVA SERRANA
NOVO CRUZEIRO
NOVO ORIENTE DE MINAS
NOVORIZONTE
OLARIA
OLHOS-D'AGUA
OLIMPIO NORONHA
OLIVEIRA
OLIVEIRA FORTES
ONCA DE PITANGUI
ORATORIOS
ORIZANIA
OURO BRANCO
OURO FINO
OURO PRETO
OURO VERDE DE MINAS
PADRE CARVALHO
PADRE PARAISO
PAINEIRAS
PAINS
PAI PEDRO
PAIVA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
3,171
1,374
6,328
Baixa/Média
4,273
3
11,377
6,096
20,590
Média/Alta
23,899
3
31,236
17,186 56,140
Alta
8,416
2
27,719
15,357 49,424
Alta
12,588
1
5,278
2,577
10,019
Baixa/Média
10,997
1
2,917
1,206
5,957
Baixa/Média
3,989
1
3,701
1,669
7,281
Baixa/Média
6,991
1
6,043
3,018
11,346
Baixa/Média
6,703
4
3,199
1,353
6,492
Baixa/Média
9,565
3
27,249
15,106 48,548
Alta
38,423
1
8,004
4,140
14,771
Baixa/Média
3,475
1
2,715
1,117
5,519
Baixa/Média
2,612
2
15,204
8,265
27,343
Média/Alta
14,803
1
1,400
0,360
3,234
Baixa
6,102
4
45,337
23,591 86,313
Alta
1,498
1
5,749
2,850
10,829
Baixa/Média
6,562
1
6,252
3,142
11,697
Baixa/Média
4,795
3
24,152
13,381 42,989
Média/Alta
100,284
3
23,934
13,154 42,925
Média/Alta
43,378
4
8,027
4,184
14,720
Baixa/Média
8,840
2
2,913
1,191
5,991
Baixa/Média
11,405
4
2,231
0,836
4,685
Baixa
8,327
1
3,918
1,801
7,636
Baixa/Média
2,906
1
3,848
1,762
7,509
Baixa/Média
10,075
2
4,579
2,118
8,981
Baixa/Média
11,059
1
6,226
3,147
11,589
Baixa/Média
6,995
2
9,603
5,038
17,620
Média/Alta
12,078
2
6,853
3,464
12,813
Baixa/Média
12,349
1
3,868
1,767
7,562
Baixa/Média
4,721
1
3,164
1,358
6,355
Baixa/Média
3,680
1
4,607
2,195
8,841
Baixa/Média
2,887
3
12,817
6,791
23,503
Média/Alta
28,302
4
10,762
5,670
19,740
Média/Alta
12,953
3
21,956
12,136 39,119
Média/Alta
53,499
1
-0,514
-0,766
0,009
Baixa
6,597
1
3,099
1,347
6,159
Baixa/Média
4,626
4
3,070
1,322
6,134
Baixa/Média
-0,274
2
5,854
2,832
11,256
Baixa/Média
13,601
LimInfR LimSupR ClassImprecisaR Árvore
1,376
6,849
Baixa/Média
Baixa
14,352
45,220
Média/Alta
Alta
9,485
30,035
Média/Alta
Alta
8,151
18,401
Média/Alta
Média
5,230
20,412
Média/Alta
Baixa
1,542
7,594
Baixa/Média
Baixa
3,186
12,855
Baixa/Média
Baixa
2,322
9,918
Baixa/Média
Baixa
8,656
31,826
Média/Alta
Alta
13,299
38,803
Média/Alta
Alta
1,372
6,940
Baixa/Média
Alta
2,012
10,568
Baixa/Média
Baixa
7,242
17,115
Média/Alta
Alta
2,780
11,451
Baixa/Média
Baixa
0,677
4,484
Baixa
Média
2,139
9,362
Baixa/Média
Baixa
2,321
10,139
Baixa/Média
Baixa
30,379 107,838
Alta
Alta
13,163
38,542
Média/Alta
Alta
5,690
21,991
Média/Alta
Alta
5,525
13,017
Média
Baixa
5,710
21,857
Média/Alta
Baixa
1,045
6,172
Baixa/Média
Baixa
4,372
17,737
Baixa/Alta
Baixa
4,316
10,352
Baixa/Média
Baixa
3,016
12,381
Baixa/Média
Média
9,498
21,091
Média/Alta
Baixa
8,218
19,000
Média/Alta
Alta
2,454
10,404
Baixa/Média
Baixa
0,940
5,435
Baixa/Média
Baixa
0,978
6,204
Baixa/Média
Baixa
12,975
39,330
Média/Alta
Alta
9,278
35,666
Média/Alta
Média
13,764
40,158
Média/Alta
Alta
2,929
12,029
Baixa/Média
Baixa
1,860
8,523
Baixa/Média
Baixa
-0,506
0,761
Baixa
Baixa
9,632
21,649
Média/Alta
Baixa
(Continua)
TABELA C.2 – Continuação.
136
COD
3146701
3146750
3146909
3147006
3147105
3147204
3147303
3147402
3147501
3147600
3147709
3147808
3147907
3147956
3148004
3148103
3148202
3148301
3148400
3148509
3148608
3148707
3148756
3148806
3148905
3149002
3149101
3149150
3149200
3149309
3149408
3149507
3149606
3149705
3149804
3149903
3149952
3150000
MUNICIPIO
PALMA
PALMOPOLIS
PAPAGAIOS
PARACATU
PARA DE MINAS
PARAGUACU
PARAISOPOLIS
PARAOPEBA
PASSABEM
PASSA-QUATRO
PASSA-TEMPO
PASSA-VINTE
PASSOS
PATIS
PATOS DE MINAS
PATROCINIO
PATROCINIO DO MURIAE
PAULA CANDIDO
PAULISTAS
PAVAO
PECANHA
PEDRA AZUL
PEDRA BONITA
PEDRA DO ANTA
PEDRA DO INDAIA
PEDRA DOURADA
PEDRALVA
PEDRAS DE MARIA DA CRUZ
PEDRINOPOLIS
PEDRO LEOPOLDO
PEDRO TEIXEIRA
PEQUERI
PEQUI
PERDIGAO
PERDIZES
PERDOES
PERIQUITO
PESCADOR
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
2
20,309
11,220 36,159
Média/Alta
14,395
9,692
22,425
Média/Alta
Média
3
19,849
10,843 35,704
Média/Alta
40,960
6,518
19,773
Média/Alta
Alta
1
2,179
0,808
4,589
Baixa
8,288
3,766
14,847
Baixa/Média
Baixa
1
4,339
2,053
8,338
Baixa/Média
8,488
2,593
12,721
Baixa/Média
Baixa
1
4,645
2,234
8,851
Baixa/Média
2,657
1,201
7,653
Baixa/Média
Baixa
1
2,626
1,054
5,400
Baixa/Média
5,446
2,121
9,239
Baixa/Média
Baixa
1
0,362
-0,257
1,495
Baixa
2,520
0,671
4,800
Baixa
Baixa
1
3,275
1,446
6,471
Baixa/Média
10,210
4,775
18,753
Baixa/Alta
Baixa
2
10,425
5,537
18,968
Média/Alta
12,182
8,039
18,008
Média/Alta
Média
1
3,733
1,634
7,506
Baixa/Média
16,026
7,044
28,663
Média/Alta
Alta
1
3,257
1,422
6,484
Baixa/Média
11,631
5,245
20,579
Média/Alta
Baixa
2
5,008
2,319
9,874
Baixa/Média
12,531
3,547
9,381
Baixa/Média
Alta
1
4,732
2,283
9,009
Baixa/Média
3,366
1,299
8,627
Baixa/Média
Baixa
4
6,047
3,034
11,309
Baixa/Média
4,303
3,050
12,091
Baixa/Média
Baixa
1
5,452
2,705
10,235
Baixa/Média
6,934
2,698
18,915
Baixa/Alta
Baixa
1
4,961
2,421
9,386
Baixa/Média
8,654
3,187
15,315
Baixa/Alta
Alta
2
16,136
8,820
28,903
Média/Alta
14,113
9,386
21,802
Média/Alta
Média
2
9,341
4,870
17,217
Baixa/Alta
8,923
4,904
11,516
Baixa/Média
Baixa
3
15,211
8,254
27,398
Média/Alta
53,591
7,344
23,276
Média/Alta
Média
3
23,010
12,728 40,991
Média/Alta
30,035
7,763
24,021
Média/Alta
Média
3
16,823
9,195
30,158
Média/Alta
43,538
18,075
52,978
Alta
Alta
3
8,805
4,620
16,107
Baixa/Alta
11,805
4,868
16,042
Baixa/Alta
Alta
2
12,276
6,598
22,199
Média/Alta
10,851
5,029
11,913
Média
Média
2
7,366
3,754
13,721
Baixa/Média
12,033
8,351
18,520
Média/Alta
Baixa
1
5,705
2,833
10,729
Baixa/Média
10,710
4,829
18,990
Baixa/Alta
Baixa
2
16,377
8,794
29,831
Média/Alta
12,459
6,140
14,201
Média
Média
1
3,932
1,776
7,764
Baixa/Média
6,340
2,078
9,180
Baixa/Média
Baixa
4
4,150
1,950
7,990
Baixa/Média
1,779
0,983
5,426
Baixa/Média
Baixa
1
1,196
0,239
2,894
Baixa
4,382
1,910
8,768
Baixa/Média
Baixa
1
5,760
2,876
10,790
Baixa/Média
3,915
1,415
7,396
Baixa/Média
Baixa
2
9,275
4,726
17,437
Baixa/Alta
10,721
5,896
13,443
Média
Baixa
2
2,798
1,154
5,696
Baixa/Média
12,348
6,617
15,645
Média/Alta
Baixa
1
5,077
2,484
9,602
Baixa/Média
8,419
3,957
15,607
Baixa/Alta
Alta
1
4,675
2,249
8,913
Baixa/Média
5,281
2,322
10,015
Baixa/Média
Baixa
1
4,038
1,889
7,785
Baixa/Média
7,912
3,010
12,331
Baixa/Média
Baixa
1
10,202
5,242
19,106
Média/Alta
10,507
4,851
19,014
Baixa/Alta
Baixa
2
38,682
21,388 69,334
Alta
12,175
8,947
20,424
Média/Alta
Alta
2
20,607
11,328 36,868
Média/Alta
14,946
8,921
19,750
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
137
COD
3150109
3150158
3150208
3150307
3150406
3150505
3150539
3150570
3150604
3150703
3150802
3150901
3151008
3151107
3151206
3151305
3151404
3151503
3151602
3151701
3151800
3151909
3152006
3152105
3152131
3152170
3152204
3152303
3152402
3152501
3152600
3152709
3152808
3152907
3153004
3153103
3153202
3153301
MUNICIPIO
PIAU
PIEDADE DE CARATINGA
PIEDADE DE PONTE NOVA
PIEDADE DO RIO GRANDE
PIEDADE DOS GERAIS
PIMENTA
PINGO-D'AGUA
PINTOPOLIS
PIRACEMA
PIRAJUBA
PIRANGA
PIRANGUCU
PIRANGUINHO
PIRAPETINGA
PIRAPORA
PIRAUBA
PITANGUI
PIUMHI
PLANURA
POCO FUNDO
POCOS DE CALDAS
POCRANE
POMPEU
PONTE NOVA
PONTO CHIQUE
PONTO DOS VOLANTES
PORTEIRINHA
PORTO FIRME
POTE
POUSO ALEGRE
POUSO ALTO
PRADOS
PRATA
PRATAPOLIS
PRATINHA
PRESIDENTE BERNARDES
PRESIDENTE JUSCELINO
PRESIDENTE KUBITSCHEK
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
2
3,570
1,570
7,124
Baixa/Média
14,451
2
12,696
6,877
22,813
Média/Alta
10,053
2
9,757
5,122
17,901
Média/Alta
13,348
2
3,149
1,341
6,355
Baixa/Média
4,943
1
3,856
1,747
7,586
Baixa/Média
9,184
1
2,935
1,252
5,875
Baixa/Média
9,945
2
16,956
9,271
30,392
Média/Alta
12,521
4
9,670
5,082
17,720
Média/Alta
20,747
1
2,971
1,258
5,984
Baixa/Média
10,124
1
1,829
0,590
4,036
Baixa
4,865
2
13,417
7,132
24,562
Média/Alta
9,056
1
0,330
-0,289
1,486
Baixa
1,661
1
2,294
0,852
4,859
Baixa
2,032
2
13,223
7,144
23,839
Média/Alta
11,661
4
4,339
2,040
8,379
Baixa/Média
0,465
2
5,345
2,616
10,135
Baixa/Média
9,871
1
3,881
1,799
7,512
Baixa/Média
6,277
1
5,637
2,803
10,582
Baixa/Média
5,275
1
1,140
0,196
2,827
Baixa
4,166
1
2,043
0,717
4,395
Baixa
9,977
1
1,910
0,649
4,132
Baixa
1,837
2
17,932
9,847
32,042
Média/Alta
18,266
1
1,380
0,345
3,210
Baixa
10,118
2
7,607
3,889
14,151
Baixa/Média
2,018
4
7,709
3,960
14,291
Baixa/Média
2,622
3
14,576
7,900
26,259
Média/Alta
16,959
4
3,058
1,317
6,107
Baixa/Média
0,015
2
9,299
4,846
17,142
Baixa/Alta
11,213
3
27,095
15,006 48,314
Alta
44,126
1
1,666
0,489
3,773
Baixa
1,562
1
6,348
3,207
11,833
Baixa/Média
2,654
2
3,009
1,272
6,072
Baixa/Média
4,758
1
5,900
2,941
11,083
Baixa/Média
6,275
1
5,495
2,710
10,372
Baixa/Média
3,611
1
5,878
2,936
11,021
Baixa/Média
11,900
2
8,465
4,369
15,684
Baixa/Alta
11,487
3
3,196
1,396
6,348
Baixa/Média
15,427
2
2,859
1,204
5,758
Baixa/Média
4,687
LimInfR LimSupR ClassImprecisaR Árvore
8,413
19,096
Média/Alta
Baixa
4,785
11,289
Baixa/Média
Alta
12,186
27,111
Média/Alta
Média
0,851
3,277
Baixa
Baixa
3,948
15,705
Baixa/Alta
Baixa
4,601
17,968
Baixa/Alta
Baixa
9,293
20,739
Média/Alta
Média
7,544
68,979
Média/Alta
Alta
4,165
16,584
Baixa/Alta
Baixa
2,157
9,550
Baixa/Média
Baixa
5,726
13,201
Média
Baixa
0,194
3,531
Baixa
Baixa
0,437
4,246
Baixa
Baixa
6,829
16,663
Média/Alta
Média
-0,080
2,091
Baixa
Baixa
4,327
10,965
Baixa/Média
Baixa
2,771
11,395
Baixa/Média
Baixa
2,243
9,655
Baixa/Média
Alta
1,881
8,612
Baixa/Média
Baixa
3,556
14,449
Baixa/Média
Baixa
1,510
12,877
Baixa/Média
Baixa
13,088
28,463
Média/Alta
Média
4,380
17,344
Baixa/Alta
Baixa
1,123
3,735
Baixa
Baixa
1,208
6,939
Baixa/Média
Alta
1,837
7,434
Baixa/Média
Alta
0,110
2,929
Baixa
Baixa
6,347
14,248
Média
Baixa
11,106
32,498
Média/Alta
Alta
0,697
6,130
Baixa/Média
Baixa
0,712
5,041
Baixa/Média
Alta
0,980
3,605
Baixa
Baixa
2,290
9,806
Baixa/Média
Baixa
1,408
7,138
Baixa/Média
Baixa
5,586
21,900
Média/Alta
Baixa
7,169
16,157
Média/Alta
Baixa
4,878
15,521
Baixa/Alta
Baixa
0,441
2,505
Baixa
Baixa
(Continua)
TABELA C.2 – Continuação.
138
COD
3153400
3153509
3153608
3153707
3153806
3153905
3154002
3154101
3154150
3154200
3154309
3154408
3154457
3154507
3154606
3154705
3154804
3154903
3155009
3155108
3155207
3155306
3155405
3155504
3155603
3155702
3155801
3155900
3156007
3156106
3156205
3156304
3156403
3156452
3156502
3156601
3156700
3156809
MUNICIPIO
PRESIDENTE OLEGARIO
ALTO JEQUITIBA
PRUDENTE DE MORAIS
QUARTEL GERAL
QUELUZITO
RAPOSOS
RAUL SOARES
RECREIO
REDUTO
RESENDE COSTA
RESPLENDOR
RESSAQUINHA
RIACHINHO
RIACHO DOS MACHADOS
RIBEIRAO DAS NEVES
RIBEIRAO VERMELHO
RIO ACIMA
RIO CASCA
RIO DOCE
RIO DO PRADO
RIO ESPERA
RIO MANSO
RIO NOVO
RIO PARANAIBA
RIO PARDO DE MINAS
RIO PIRACICABA
RIO POMBA
RIO PRETO
RIO VERMELHO
RITAPOLIS
ROCHEDO DE MINAS
RODEIRO
ROMARIA
ROSARIO DA LIMEIRA
RUBELITA
RUBIM
SABARA
SABINOPOLIS
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
6,744
3,440
12,508
Baixa/Média
19,462
2
13,716
7,306
25,075
Média/Alta
13,345
3
1,881
0,644
4,049
Baixa
1,605
1
4,876
2,373
9,238
Baixa/Média
5,886
2
4,414
2,083
8,510
Baixa/Média
6,025
1
4,335
2,048
8,336
Baixa/Média
4,103
2
12,939
6,975
23,363
Média/Alta
9,972
2
33,441
18,566 59,623
Alta
11,585
2
11,590
6,221
20,950
Média/Alta
14,845
1
2,955
1,244
5,972
Baixa/Média
5,158
2
22,449
12,387 40,076
Média/Alta
12,897
2
7,576
3,843
14,187
Baixa/Média
4,920
4
6,329
3,172
11,874
Baixa/Média
5,608
4
4,952
2,411
9,384
Baixa/Média
3,124
1
6,793
3,458
12,624
Baixa/Média
2,821
1
24,427
12,185 48,035
Média/Alta
10,251
1
3,439
1,536
6,773
Baixa/Média
4,830
2
10,364
5,512
18,832
Média/Alta
11,613
2
3,913
1,801
7,618
Baixa/Média
16,571
3
13,612
7,391
24,445
Média/Alta
27,558
2
10,418
5,416
19,322
Média/Alta
9,323
1
3,266
1,427
6,497
Baixa/Média
4,323
2
3,753
1,704
7,353
Baixa/Média
8,658
1
4,729
2,282
9,000
Baixa/Média
9,818
4
7,654
3,935
14,176
Baixa/Média
11,195
1
7,194
3,708
13,263
Baixa/Média
6,758
2
3,790
1,722
7,428
Baixa/Média
8,090
2
5,415
2,595
10,448
Baixa/Média
11,790
3
9,978
5,233
18,335
Média/Alta
63,587
1
3,423
1,513
6,786
Baixa/Média
8,626
2
3,340
1,479
6,597
Baixa/Média
13,991
2
3,737
1,696
7,323
Baixa/Média
13,185
1
3,072
1,296
6,221
Baixa/Média
10,274
2
11,127
5,966
20,112
Média/Alta
13,027
3
6,417
3,259
11,917
Baixa/Média
16,739
3
7,022
3,602
12,982
Baixa/Média
17,056
1
6,291
3,175
11,733
Baixa/Média
1,914
3
11,505
6,156
20,853
Média/Alta
35,565
LimInfR LimSupR ClassImprecisaR Árvore
7,066
30,038
Média/Alta
Baixa
6,588
15,901
Média/Alta
Alta
-0,411
0,791
Baixa
Baixa
2,684
11,237
Baixa/Média
Baixa
1,402
4,494
Baixa
Baixa
1,928
8,686
Baixa/Média
Baixa
5,928
13,516
Média
Média
6,578
15,727
Média/Alta
Média
8,352
18,814
Média/Alta
Média
2,079
9,174
Baixa/Média
Baixa
7,689
17,497
Média/Alta
Média
0,729
3,047
Baixa
Baixa
2,864
16,524
Baixa/Alta
Baixa
2,477
10,212
Baixa/Média
Baixa
1,201
61,236
Baixa/Alta
Baixa
5,103
19,798
Média/Alta
Baixa
2,137
9,392
Baixa/Média
Baixa
8,630
19,269
Média/Alta
Alta
11,566
25,218
Média/Alta
Alta
9,404
27,989
Média/Alta
Alta
5,277
12,229
Média
Baixa
1,700
8,071
Baixa/Média
Baixa
3,200
8,591
Baixa/Média
Baixa
3,714
14,952
Baixa/Média
Alta
12,770
46,026
Média/Alta
Média
2,857
11,694
Baixa/Média
Média
3,224
8,590
Baixa/Média
Baixa
4,463
11,198
Baixa/Média
Baixa
16,176
48,868
Alta
Baixa
3,865
15,309
Baixa/Alta
Baixa
8,182
19,193
Média/Alta
Baixa
8,055
18,778
Média/Alta
Baixa
4,919
19,195
Baixa/Alta
Alta
5,782
13,404
Média
Média
1,737
6,710
Baixa/Média
Alta
8,739
27,642
Média/Alta
Alta
1,374
12,765
Baixa/Média
Média
8,282
24,868
Média/Alta
Alta
(Continua)
TABELA C.2 – Continuação.
139
COD
3156908
3157005
3157104
3157203
3157252
3157278
3157302
3157336
3157377
3157401
3157500
3157609
3157658
3157708
3157807
3157906
3158003
3158102
3158201
3158300
3158409
3158508
3158607
3158706
3158805
3158904
3158953
3159001
3159100
3159209
3159308
3159357
3159407
3159506
3159605
3159704
3159803
3159902
MUNICIPIO
SACRAMENTO
SALINAS
SALTO DA DIVISA
SANTA BARBARA
SANTA BARBARA DO LESTE
SANTA BARBARA DO MONTE VERDE
SANTA BARBARA DO TUGURIO
SANTA CRUZ DE MINAS
SANTA CRUZ DE SALINAS
SANTA CRUZ DO ESCALVADO
SANTA EFIGENIA DE MINAS
SANTA FE DE MINAS
SANTA HELENA DE MINAS
SANTA JULIANA
SANTA LUZIA
SANTA MARGARIDA
SANTA MARIA DE ITABIRA
SANTA MARIA DO SALTO
SANTA MARIA DO SUACUI
SANTANA DA VARGEM
SANTANA DE CATAGUASES
SANTANA DE PIRAPAMA
SANTANA DO DESERTO
SANTANA DO GARAMBEU
SANTANA DO JACARE
SANTANA DO MANHUACU
SANTANA DO PARAISO
SANTANA DO RIACHO
SANTANA DOS MONTES
SANTA RITA DE CALDAS
SANTA RITA DO JACUTINGA
SANTA RITA DE MINAS
SANTA RITA DO IBITIPOCA
SANTA RITA DO ITUETO
SANTA RITA DO SAPUCAI
SANTA ROSA DA SERRA
SANTA VITORIA
SANTO ANTONIO DO AMPARO
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
2,052
0,742
4,347
Baixa
5,137
3
4,924
2,391
9,347
Baixa/Média
16,863
3
36,115
19,430 66,428
Alta
11,906
1
6,821
3,458
12,723
Baixa/Média
3,116
2
15,915
8,609
28,774
Média/Alta
11,623
2
6,318
3,133
11,955
Baixa/Média
11,933
2
4,297
1,945
8,527
Baixa/Média
11,627
2
0,845
0,043
2,265
Baixa
3,695
3
7,052
3,629
13,005
Baixa/Média
16,678
2
10,503
5,545
19,218
Média/Alta
14,455
3
9,037
4,728
16,587
Baixa/Alta
26,579
4
9,590
5,036
17,578
Média/Alta
4,227
3
28,390
15,722 50,656
Alta
32,360
1
1,232
0,265
2,937
Baixa
7,296
1
7,662
3,960
14,128
Baixa/Média
1,713
2
13,826
7,493
24,884
Média/Alta
9,902
2
6,984
3,547
13,018
Baixa/Média
14,090
3
8,559
4,477
15,684
Baixa/Alta
14,671
3
13,009
7,047
23,391
Média/Alta
31,367
1
5,179
2,523
9,839
Baixa/Média
3,051
2
10,482
5,596
18,988
Média/Alta
15,752
3
2,373
0,926
4,907
Baixa
8,233
2
4,788
2,287
9,192
Baixa/Média
14,745
2
2,339
0,893
4,891
Baixa
5,110
1
16,506
8,385
31,654
Média/Alta
12,514
2
14,051
7,604
25,328
Média/Alta
15,013
2
30,845
17,128 54,941
Alta
9,751
3
2,082
0,755
4,411
Baixa
5,898
2
7,693
3,921
14,355
Baixa/Média
9,224
1
1,726
0,535
3,839
Baixa
8,661
2
4,765
2,235
9,272
Baixa/Média
13,337
2
9,282
4,913
16,882
Baixa/Alta
11,329
2
3,444
1,520
6,840
Baixa/Média
6,028
2
16,004
8,645
28,980
Média/Alta
21,601
1
1,757
0,547
3,913
Baixa
2,561
1
15,291
8,254
27,679
Média/Alta
5,263
1
2,650
1,054
5,485
Baixa/Média
5,831
1
5,926
2,925
11,219
Baixa/Média
12,117
LimInfR LimSupR ClassImprecisaR Árvore
1,947
8,661
Baixa/Média
Baixa
4,740
15,247
Baixa/Alta
Baixa
5,959
18,987
Média/Alta
Alta
1,236
6,516
Baixa/Média
Alta
5,458
12,804
Média
Alta
6,068
13,811
Média
Baixa
7,334
16,578
Média/Alta
Baixa
0,281
2,219
Baixa
Baixa
3,220
11,751
Baixa/Média
Alta
12,475
27,267
Média/Alta
Alta
5,226
16,356
Média/Alta
Média
1,982
11,752
Baixa/Média
Baixa
8,124
24,601
Média/Alta
Alta
3,403
13,576
Baixa/Média
Baixa
1,382
29,968
Baixa/Alta
Média
5,648
13,146
Média
Média
8,344
18,783
Média/Alta
Alta
7,592
24,341
Média/Alta
Alta
14,952
43,606
Média/Alta
Alta
0,956
5,765
Baixa/Média
Baixa
8,853
20,300
Média/Alta
Média
2,058
7,548
Baixa/Média
Baixa
8,420
19,413
Média/Alta
Baixa
0,761
3,118
Baixa
Baixa
6,223
24,237
Média/Alta
Baixa
10,639
23,347
Média/Alta
Alta
6,903
15,592
Média/Alta
Alta
1,038
4,904
Baixa
Baixa
4,291
10,175
Baixa/Média
Baixa
3,561
14,284
Baixa/Média
Baixa
6,482
15,378
Média/Alta
Baixa
6,726
15,208
Média/Alta
Alta
1,005
3,620
Baixa
Baixa
16,343
35,786
Alta
Alta
0,756
4,978
Baixa
Baixa
2,264
9,880
Baixa/Média
Média
2,313
9,873
Baixa/Média
Baixa
5,627
22,001
Média/Alta
Baixa
(Continua)
TABELA C.2 – Continuação.
140
COD
3160009
3160108
3160207
3160306
3160405
3160454
3160504
3160603
3160702
3160801
3160900
3160959
3161007
3161056
3161106
3161205
3161304
3161403
3161502
3161601
3161650
3161700
3161809
3161908
3162005
3162104
3162203
3162252
3162302
3162401
3162450
3162500
3162559
3162575
3162609
3162658
3162708
3162807
MUNICIPIO
SANTO ANTONIO DO AVENTUREIRO
SANTO ANTONIO DO GRAMA
SANTO ANTONIO DO ITAMBE
SANTO ANTONIO DO JACINTO
SANTO ANTONIO DO MONTE
SANTO ANTONIO DO RETIRO
SANTO ANTONIO DO RIO ABAIXO
SANTO HIPOLITO
SANTOS DUMONT
SAO BENTO ABADE
SAO BRAS DO SUACUI
SAO DOMINGOS DAS DORES
SAO DOMINGOS DO PRATA
SAO FELIX DE MINAS
SAO FRANCISCO
SAO FRANCISCO DE PAULA
SAO FRANCISCO DE SALES
SAO FRANCISCO DO GLORIA
SAO GERALDO
SAO GERALDO DA PIEDADE
SAO GERALDO DO BAIXIO
SAO GONCALO DO ABAETE
SAO GONCALO DO PARA
SAO GONCALO DO RIO ABAIXO
SAO GONCALO DO SAPUCAI
SAO GOTARDO
SAO JOAO BATISTA DO GLORIA
SAO JOAO DA LAGOA
SAO JOAO DA MATA
SAO JOAO DA PONTE
SAO JOAO DAS MISSOES
SAO JOAO DEL-REI
SAO JOAO DO MANHUACU
SAO JOAO DO MANTENINHA
SAO JOAO DO ORIENTE
SAO JOAO DO PACUI
SAO JOAO DO PARAISO
SAO JOAO EVANGELISTA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
2
10,394
5,522
18,907
Média/Alta
14,634
2
8,917
4,656
16,388
Baixa/Alta
14,393
3
9,724
5,096
17,863
Média/Alta
37,673
3
14,209
7,737
25,476
Média/Alta
47,876
1
5,105
2,497
9,658
Baixa/Média
6,702
4
5,981
3,010
11,154
Baixa/Média
9,101
2
14,139
7,617
25,596
Média/Alta
12,354
4
1,540
0,447
3,460
Baixa
1,609
2
4,004
1,812
7,906
Baixa/Média
1,124
1
5,598
2,761
10,576
Baixa/Média
4,463
1
2,803
1,142
5,751
Baixa/Média
10,897
2
20,206
11,074 36,244
Média/Alta
10,908
2
13,146
7,106
23,686
Média/Alta
9,248
2
21,458
11,751 38,553
Média/Alta
16,706
4
7,025
3,590
13,031
Baixa/Média
8,200
1
5,657
2,800
10,662
Baixa/Média
10,655
1
3,490
1,533
6,959
Baixa/Média
6,423
2
16,965
9,306
30,316
Média/Alta
12,069
2
3,352
1,482
6,632
Baixa/Média
10,895
3
10,244
5,419
18,696
Média/Alta
25,647
2
9,689
5,095
17,745
Média/Alta
19,079
1
3,957
1,839
7,657
Baixa/Média
15,049
1
4,898
2,362
9,348
Baixa/Média
6,216
1
17,841
9,729
32,084
Média/Alta
4,848
1
2,591
1,036
5,335
Baixa/Média
5,099
1
7,524
3,895
13,842
Baixa/Média
5,430
1
1,775
0,581
3,870
Baixa
7,307
4
6,269
3,165
11,688
Baixa/Média
4,985
1
2,165
0,785
4,611
Baixa
6,065
4
3,910
1,812
7,574
Baixa/Média
3,050
4
5,064
2,474
9,585
Baixa/Média
3,677
2
3,312
1,431
6,647
Baixa/Média
-0,734
2
11,709
6,258
21,252
Média/Alta
9,518
2
13,166
7,068
23,873
Média/Alta
20,713
2
13,735
7,478
24,609
Média/Alta
14,929
4
8,942
4,684
16,389
Baixa/Alta
3,533
4
4,026
1,850
7,865
Baixa/Média
4,305
3
14,641
7,960
26,305
Média/Alta
59,906
LimInfR LimSupR ClassImprecisaR Árvore
10,305
22,860
Média/Alta
Alta
9,291
20,297
Média/Alta
Alta
4,910
15,471
Baixa/Alta
Baixa
12,786
37,350
Média/Alta
Alta
2,788
11,471
Baixa/Média
Alta
7,643
28,124
Média/Alta
Alta
7,091
15,811
Média/Alta
Alta
0,730
4,648
Baixa
Baixa
0,149
1,610
Baixa
Baixa
1,964
8,937
Baixa/Média
Baixa
5,344
20,780
Média/Alta
Baixa
4,768
11,274
Baixa/Média
Média
4,108
10,181
Baixa/Média
Alta
10,184
23,610
Média/Alta
Alta
10,841
45,580
Média/Alta
Baixa
4,708
18,501
Baixa/Alta
Baixa
2,803
11,610
Baixa/Média
Baixa
6,603
14,844
Média
Alta
5,175
12,176
Média
Baixa
6,554
19,840
Média/Alta
Alta
12,880
28,026
Média/Alta
Baixa
6,962
27,753
Média/Alta
Baixa
2,760
11,406
Baixa/Média
Baixa
1,642
7,795
Baixa/Média
Alta
2,044
8,982
Baixa/Média
Baixa
2,483
10,449
Baixa/Média
Média
3,330
13,366
Baixa/Média
Baixa
3,287
13,007
Baixa/Média
Alta
2,699
11,302
Baixa/Média
Baixa
4,511
17,349
Baixa/Alta
Baixa
3,148
12,280
Baixa/Média
Baixa
-0,921
-0,779
Baixa
Baixa
4,276
10,229
Baixa/Média
Alta
17,751
38,652
Alta
Alta
12,840
27,928
Média/Alta
Alta
2,058
9,015
Baixa/Média
Baixa
4,831
18,029
Baixa/Alta
Alta
14,740
43,014
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
141
COD
3162906
3162922
3162948
3162955
3163003
3163102
3163201
3163300
3163409
3163508
3163607
3163706
3163805
3163904
3164001
3164100
3164209
3164308
3164407
3164431
3164472
3164506
3164605
3164704
3164803
3164902
3165008
3165107
3165206
3165305
3165404
3165503
3165537
3165552
3165560
3165578
3165602
3165701
MUNICIPIO
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
SAO JOAO NEPOMUCENO
2
3,345
1,479
6,614
Baixa/Média
6,316
SAO JOAQUIM DE BICAS
1
5,742
2,851
10,802
Baixa/Média
4,442
SAO JOSE DA BARRA
1
2,123
0,783
4,469
Baixa
5,552
SAO JOSE DA LAPA
1
6,963
3,565
12,890
Baixa/Média
6,673
SAO JOSE DA SAFIRA
3
20,852
11,544 37,066
Média/Alta
25,849
SAO JOSE DA VARGINHA
1
5,448
2,694
10,254
Baixa/Média
8,209
SAO JOSE DO ALEGRE
1
1,987
0,687
4,290
Baixa
2,377
SAO JOSE DO DIVINO
2
12,381
6,629
22,470
Média/Alta
17,073
SAO JOSE DO GOIABAL
2
15,625
8,530
28,001
Média/Alta
12,374
SAO JOSE DO JACURI
3
16,679
9,121
29,881
Média/Alta
59,671
SAO JOSE DO MANTIMENTO
2
14,049
7,594
25,353
Média/Alta
20,273
SAO LOURENCO
1
4,008
1,858
7,776
Baixa/Média
2,004
SAO MIGUEL DO ANTA
2
8,777
4,569
16,164
Baixa/Alta
10,505
SAO PEDRO DA UNIAO
1
5,606
2,777
10,553
Baixa/Média
5,925
SAO PEDRO DOS FERROS
2
13,500
7,306
24,312
Média/Alta
10,738
SAO PEDRO DO SUACUI
3
19,612
10,814 34,964
Média/Alta
54,717
SAO ROMAO
4
10,346
5,435
19,003
Média/Alta
13,285
SAO ROQUE DE MINAS
1
4,126
1,937
7,946
Baixa/Média
6,633
SAO SEBASTIAO DA BELA VISTA
1
1,868
0,615
4,092
Baixa
3,013
SAO SEBASTIAO DA VARGEM ALEGRE
2
10,334
5,494
18,781
Média/Alta
12,910
SAO SEBASTIAO DO ANTA
2
13,952
7,552
25,144
Média/Alta
15,129
SAO SEBASTIAO DO MARANHAO
3
23,205
12,764 41,568
Média/Alta
114,304
SAO SEBASTIAO DO OESTE
1
6,288
3,159
11,771
Baixa/Média
7,008
SAO SEBASTIAO DO PARAISO
1
5,005
2,441
9,479
Baixa/Média
3,217
SAO SEBASTIAO DO RIO PRETO
2
13,594
7,220
24,913
Média/Alta
12,987
SAO SEBASTIAO DO RIO VERDE
1
9,766
5,160
17,815
Média/Alta
3,514
SAO TIAGO
1
3,595
1,597
7,131
Baixa/Média
13,730
SAO TOMAS DE AQUINO
1
5,104
2,496
9,656
Baixa/Média
2,145
SAO TOME DAS LETRAS
1
3,680
1,679
7,175
Baixa/Média
4,140
SAO VICENTE DE MINAS
2
6,061
3,004
11,451
Baixa/Média
4,172
SAPUCAI-MIRIM
1
0,991
0,076
2,687
Baixa
2,189
SARDOA
3
14,981
8,134
26,962
Média/Alta
41,604
SARZEDO
1
5,830
2,909
10,933
Baixa/Média
5,352
SETUBINHA
3
21,506
11,821 38,507
Média/Alta
40,222
SEM-PEIXE
2
11,883
6,170
22,147
Média/Alta
14,378
SENADOR AMARAL
1
2,260
0,836
4,790
Baixa
3,908
SENADOR CORTES
2
8,033
4,173
14,772
Baixa/Média
13,476
SENADOR FIRMINO
2
7,555
3,847
14,099
Baixa/Média
9,371
LimInfR LimSupR ClassImprecisaR Árvore
4,041
10,396
Baixa/Média
Baixa
1,643
7,710
Baixa/Média
Baixa
2,397
10,259
Baixa/Média
Baixa
2,522
10,620
Baixa/Média
Baixa
12,923
40,279
Média/Alta
Alta
3,710
14,777
Baixa/Média
Baixa
0,704
5,122
Baixa/Média
Baixa
10,146
22,719
Média/Alta
Alta
9,661
21,408
Média/Alta
Alta
12,960
38,185
Média/Alta
Alta
14,568
31,878
Média/Alta
Média
1,049
6,148
Baixa/Média
Alta
5,092
11,876
Média
Baixa
2,376
10,207
Baixa/Média
Baixa
6,922
15,844
Média/Alta
Alta
12,634
36,900
Média/Alta
Alta
5,158
38,242
Média/Alta
Alta
2,773
11,506
Baixa/Média
Baixa
0,992
5,938
Baixa/Média
Baixa
7,502
16,894
Média/Alta
Média
10,837
23,929
Média/Alta
Alta
24,870
74,209
Alta
Alta
2,853
11,823
Baixa/Média
Baixa
1,147
6,509
Baixa/Média
Baixa
7,449
16,615
Média/Alta
Alta
1,346
7,062
Baixa/Média
Alta
6,073
24,106
Média/Alta
Baixa
0,536
4,566
Baixa
Alta
1,492
7,391
Baixa/Média
Baixa
0,081
1,780
Baixa
Baixa
0,498
4,439
Baixa
Baixa
7,638
23,607
Média/Alta
Média
2,442
10,281
Baixa/Média
Baixa
8,269
26,320
Média/Alta
Alta
8,997
19,702
Média/Alta
Média
1,436
7,258
Baixa/Média
Baixa
7,414
16,988
Média/Alta
Baixa
3,633
8,988
Baixa/Média
Baixa
(Continua)
TABELA C.2 – Continuação.
142
COD
3165800
3165909
3166006
3166105
3166204
3166303
3166402
3166501
3166600
3166709
3166808
3166907
3166956
3167004
3167103
3167202
3167301
3167400
3167509
3167608
3167707
3167806
3167905
3168002
3168051
3168101
3168200
3168309
3168408
3168507
3168606
3168705
3168804
3168903
3169000
3169059
3169109
3169208
MUNICIPIO
SENADOR JOSE BENTO
SENADOR MODESTINO GONCALVES
SENHORA DE OLIVEIRA
SENHORA DO PORTO
SENHORA DOS REMEDIOS
SERICITA
SERITINGA
SERRA AZUL DE MINAS
SERRA DA SAUDADE
SERRA DOS AIMORES
SERRA DO SALITRE
SERRANIA
SERRANOPOLIS DE MINAS
SERRANOS
SERRO
SETE LAGOAS
SILVEIRANIA
SILVIANOPOLIS
SIMAO PEREIRA
SIMONESIA
SOBRALIA
SOLEDADE DE MINAS
TABULEIRO
TAIOBEIRAS
TAPARUBA
TAPIRA
TAPIRAI
TAQUARACU DE MINAS
TARUMIRIM
TEIXEIRAS
TEOFILO OTONI
TIMOTEO
TIRADENTES
TIROS
TOCANTINS
TOCOS DO MOJI
TOLEDO
TOMBOS
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
1,575
0,434
3,623
Baixa
5,479
3
6,155
3,065
11,594
Baixa/Média
8,840
2
8,475
4,367
15,729
Baixa/Alta
9,921
2
10,050
5,285
18,430
Média/Alta
15,067
2
7,698
3,916
14,389
Baixa/Média
8,145
2
8,603
4,467
15,870
Baixa/Alta
13,102
2
7,094
3,618
13,184
Baixa/Média
6,189
3
9,614
5,030
17,683
Média/Alta
24,934
1
6,149
3,087
11,505
Baixa/Média
5,216
3
42,974
23,531 77,830
Alta
11,314
1
5,854
2,934
10,941
Baixa/Média
7,875
1
2,381
0,913
4,975
Baixa
4,237
4
4,948
2,397
9,415
Baixa/Média
1,139
2
7,967
4,118
14,711
Baixa/Média
5,614
3
4,513
2,147
8,655
Baixa/Média
22,390
1
2,584
1,048
5,271
Baixa/Média
1,889
2
4,318
2,011
8,391
Baixa/Média
12,528
1
2,102
0,751
4,496
Baixa
5,563
2
4,014
1,848
7,828
Baixa/Média
13,901
2
13,495
7,288
24,351
Média/Alta
11,833
2
13,233
7,182
23,757
Média/Alta
14,531
1
5,808
2,904
10,871
Baixa/Média
2,981
2
3,888
1,767
7,637
Baixa/Média
12,639
4
6,153
3,067
11,579
Baixa/Média
5,680
2
14,597
7,957
26,159
Média/Alta
16,371
1
4,544
2,172
8,692
Baixa/Média
5,974
1
10,667
5,676
19,389
Média/Alta
5,881
1
6,401
3,250
11,888
Baixa/Média
11,360
2
11,631
6,245
21,022
Média/Alta
14,719
2
14,152
7,583
25,748
Média/Alta
8,529
3
21,690
11,968 38,701
Média/Alta
102,780
2
11,836
6,369
21,359
Média/Alta
-0,572
2
2,646
1,072
5,418
Baixa/Média
4,939
1
6,052
3,027
11,349
Baixa/Média
17,530
2
5,280
2,595
9,970
Baixa/Média
9,106
1
2,710
1,074
5,635
Baixa/Média
3,479
1
2,150
0,781
4,572
Baixa
3,124
2
18,189
9,961
32,592
Média/Alta
14,130
LimInfR LimSupR ClassImprecisaR Árvore
2,331
10,112
Baixa/Média
Baixa
2,904
10,606
Baixa/Média
Baixa
7,945
18,560
Média/Alta
Baixa
11,330
25,588
Média/Alta
Média
2,816
7,206
Baixa/Média
Baixa
7,552
17,515
Média/Alta
Média
0,908
3,473
Baixa
Média
5,796
17,720
Média/Alta
Baixa
2,352
10,207
Baixa/Média
Baixa
3,310
11,645
Baixa/Média
Alta
3,394
13,601
Baixa/Média
Baixa
1,751
8,211
Baixa/Média
Baixa
0,484
3,852
Baixa
Baixa
1,286
4,179
Baixa
Baixa
6,805
20,506
Média/Alta
Baixa
1,720
33,191
Baixa/Alta
Baixa
6,591
15,064
Média/Alta
Baixa
2,223
9,704
Baixa/Média
Baixa
6,306
15,215
Média/Alta
Baixa
7,486
17,003
Média/Alta
Alta
8,344
18,778
Média/Alta
Alta
0,998
5,951
Baixa/Média
Baixa
6,331
14,505
Média
Baixa
3,638
14,347
Baixa/Média
Alta
9,970
21,922
Média/Alta
Média
2,675
11,205
Baixa/Média
Baixa
2,655
11,166
Baixa/Média
Média
5,092
20,052
Média/Alta
Média
10,698
23,264
Média/Alta
Alta
4,423
10,483
Baixa/Média
Baixa
44,539 157,253
Alta
Média
-0,641
-0,074
Baixa
Média
0,564
2,856
Baixa
Baixa
7,589
31,038
Média/Alta
Baixa
4,120
10,484
Baixa/Média
Baixa
1,118
6,289
Baixa/Média
Baixa
0,918
5,667
Baixa/Média
Baixa
7,416
17,531
Média/Alta
Média
(Continua)
TABELA C.2 – Continuação.
143
COD
3169307
3169356
3169406
3169505
3169604
3169703
3169802
3169901
3170008
3170057
3170107
3170206
3170305
3170404
3170438
3170479
3170503
3170529
3170578
3170602
3170651
3170701
3170750
3170800
3170909
3171006
3171030
3171071
3171105
3171154
3171204
3171303
3171402
3171501
3171600
3171709
3171808
3171907
MUNICIPIO
TRES CORACOES
TRES MARIAS
TRES PONTAS
TUMIRITINGA
TUPACIGUARA
TURMALINA
TURVOLANDIA
UBA
UBAI
UBAPORANGA
UBERABA
UBERLANDIA
UMBURATIBA
UNAI
UNIAO DE MINAS
URUANA DE MINAS
URUCANIA
URUCUIA
VARGEM ALEGRE
VARGEM BONITA
VARGEM GRANDE DO RIO PARDO
VARGINHA
VARJAO DE MINAS
VARZEA DA PALMA
VARZELANDIA
VAZANTE
VERDELANDIA
VEREDINHA
VERISSIMO
VERMELHO NOVO
VESPASIANO
VICOSA
VIEIRAS
MATIAS LOBATO
VIRGEM DA LAPA
VIRGINIA
VIRGINOPOLIS
VIRGOLANDIA
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR
1
4,230
1,980
8,179
Baixa/Média
2,888
1
3,363
1,485
6,660
Baixa/Média
11,567
1
3,770
1,723
7,356
Baixa/Média
3,798
2
12,175
6,468
22,246
Média/Alta
14,532
1
2,594
1,036
5,344
Baixa/Média
5,341
3
8,601
4,467
15,862
Baixa/Alta
4,625
1
2,314
0,872
4,866
Baixa
7,111
2
4,877
2,346
9,323
Baixa/Média
0,096
4
10,154
5,368
18,537
Média/Alta
5,348
2
14,010
7,610
25,167
Média/Alta
10,797
1
2,540
1,021
5,199
Baixa/Média
-0,468
1
3,257
1,429
6,461
Baixa/Média
-0,969
3
31,998
17,750 57,071
Alta
20,614
1
4,911
2,374
9,357
Baixa/Média
21,958
1
10,196
5,377
18,657
Média/Alta
8,140
4
6,492
3,274
12,130
Baixa/Média
1,929
2
10,281
5,418
18,830
Média/Alta
12,634
4
10,321
5,447
18,882
Média/Alta
8,126
2
4,472
2,116
8,612
Baixa/Média
17,824
1
5,824
2,916
10,890
Baixa/Média
3,732
4
5,194
2,541
9,834
Baixa/Média
4,088
1
3,576
1,603
7,043
Baixa/Média
2,077
1
10,316
5,457
18,829
Média/Alta
18,951
4
3,644
1,646
7,151
Baixa/Média
0,741
4
3,581
1,621
7,005
Baixa/Média
3,459
1
4,189
1,972
8,060
Baixa/Média
8,626
4
3,074
1,325
6,137
Baixa/Média
0,737
3
11,022
5,865
20,055
Média/Alta
6,642
1
5,221
2,571
9,838
Baixa/Média
5,379
2
17,934
9,768
32,292
Média/Alta
12,145
1
5,249
2,585
9,891
Baixa/Média
6,316
2
7,683
3,924
14,312
Baixa/Média
0,185
2
12,620
6,807
22,760
Média/Alta
14,215
2
14,156
7,678
25,470
Média/Alta
13,271
3
5,050
2,440
9,642
Baixa/Média
21,375
1
4,167
1,937
8,088
Baixa/Média
9,207
3
15,265
8,332
27,348
Média/Alta
22,678
3
11,349
6,100
20,477
Média/Alta
28,117
LimInfR LimSupR ClassImprecisaR Árvore
1,115
6,574
Baixa/Média
Baixa
6,093
23,840
Média/Alta
Baixa
0,982
5,695
Baixa/Média
Baixa
9,787
21,708
Média/Alta
Baixa
2,522
10,562
Baixa/Média
Baixa
0,520
3,458
Baixa
Alta
3,079
12,572
Baixa/Média
Baixa
-0,156
0,929
Baixa
Baixa
3,989
16,206
Baixa/Alta
Alta
5,524
12,596
Média
Alta
-0,164
19,016
Baixa/Alta
Baixa
-0,794 114,253
Baixa/Alta
Baixa
14,199
44,854
Média/Alta
Alta
5,898
30,141
Média/Alta
Baixa
3,527
14,149
Baixa/Média
Baixa
0,854
5,447
Baixa/Média
Baixa
9,814
21,646
Média/Alta
Média
3,391
29,823
Baixa/Alta
Alta
12,975
28,223
Média/Alta
Alta
1,458
7,394
Baixa/Média
Média
2,457
10,358
Baixa/Média
Alta
1,422
10,238
Baixa/Média
Baixa
8,759
36,054
Média/Alta
Alta
0,435
3,705
Baixa
Baixa
3,251
12,715
Baixa/Média
Baixa
3,778
14,995
Baixa/Média
Alta
0,341
3,401
Baixa
Baixa
0,889
4,436
Baixa
Média
2,315
10,053
Baixa/Média
Baixa
8,403
18,734
Média/Alta
Média
4,563
20,442
Baixa/Alta
Alta
-0,446
0,376
Baixa
Baixa
8,766
19,494
Média/Alta
Média
7,914
17,906
Média/Alta
Alta
5,451
16,693
Média/Alta
Baixa
3,441
13,988
Baixa/Média
Média
7,795
23,196
Média/Alta
Alta
9,074
27,155
Média/Alta
Média
(Continua)
TABELA C.2 – Conclusão.
COD
MUNICIPIO
3172004 VISCONDE DO RIO BRANCO
3172103 VOLTA GRANDE
3172202 VENCESLAU BRAS
Regiões EstimadoG LimInfG LimSupG ClassImprecisaG EstimadoR LimInfR LimSupR ClassImprecisaR Árvore
2
3,933
1,795
7,705
Baixa/Média
5,310
2,820
7,446
Baixa/Média
Baixa
2
11,034
5,887
20,028
Média/Alta
15,316
11,003
24,899
Média/Alta
Alta
1
0,559
-0,165
1,909
Baixa
1,928
0,435
4,338
Baixa
Baixa
144
145
Download
mapeamento do risco da esquistossomose no estado de minas

mapeamento do risco da esquistossomose no estado de minas

Alimentação Saudável

Jair da Silva Mello

análise sensorial de alimentos - Universidade Castelo Branco

Solicitação - LabGenetics

"Laboratório de Triagem de Amostras" (Dra. Vera Gonçalves, CDA-SP)

Levantamento Populacional de Distúrbios da Comunicação Auto

uma, a intensidade com que a doença as accommette, consoante a

Jornal do Commercio (RJ) 40% dos queijos de Minas são

UNIDADE I

01. [2,0 pontos] Os seguintes dados foram obtidos analisando
